A API de DeepSeek sen censura

Quen chega á expresión "API de DeepSeek sen censura" quere unha cousa moi concreta: un modelo coa capacidade de razoamento e programación de DeepSeek que responda á pregunta que realmente fixo. A metade da capacidade está ben documentada — DeepSeek-AI publicou a arquitectura e as cifras, e os pesos están en Hugging Face baixo MIT. A segunda metade é unha decisión operativa, e normalmente tómana por ti. Esta páxina cobre as dúas: que é a base V4-Pro, que lle fai a nosa compilación 3BIT-REAP e que significa exactamente "sen censura" cando o dicimos nós.

01Que significa realmente "API de DeepSeek sen censura"

Dous mecanismos distintos arquívanse baixo a mesma palabra. O primeiro é o aliñamento gravado nos pesos — comportamento de negativa aprendido durante o postadestramento. O segundo é unha capa de moderación no lado do servizo: un clasificador aparte que inspecciona o teu prompt antes de que o modelo o vexa e a saída antes de que a vexas ti, e que pode cortar unha resposta a media frase independentemente do que o modelo quixese dicir.

Ambos son medibles, e o servizo oficial de DeepSeek foi medido. Promptfoo reuniu un conxunto de 1,360 prompts de preguntas politicamente sensibles e informou de que o R1 aloxado por DeepSeek rexeitou ou esquivou 1,156 deles — arredor do 85%. O traballo académico sobre a mesma familia atopou un modo de fallo característico que os autores chamaron supresión do pensamento, no que a traza de razoamento do modelo remata case no momento en que comeza sobre un tema sensible. Unha auditoría independente publicada en Information Sciences documentou supresión a nivel semántico: contido presente no razoamento interno do modelo que se omite ou se reescribe en silencio antes de chegar ao usuario. Ese é un problema máis difícil ca unha negativa aberta, porque unha resposta truncada parece unha resposta.

O que nós executamos é a versión de pesos abertos, en hardware que operamos nós, nos Estados Unidos, baixo Shannon Lab LLC. Non hai capa de negativas diante do modelo nin filtro aplicado ao que volve: o teu prompt non se clasifica por política antes de servirse, e o fluxo de saída non se inspecciona ao saír. Como a base ten licenza MIT e é pública, podes comparar ti mesmo as nosas saídas cos pesos de referencia en vez de crernos pola nosa palabra.

02A base: DeepSeek-V4-Pro, un MoE de 1.6T

DeepSeek-V4 é a familia actual de pesos abertos de DeepSeek-AI, presentada en abril de 2026 e publicada baixo MIT en dous tamaños: V4-Flash (284B totais, 13B activados) e V4-Pro (1.6T totais, 49B activados). Este artigo trata do nivel Pro. Ambos foron preadestrados con arredor de 33 billóns de tokens e ambos admiten de forma nativa un contexto dun millón de tokens.

O que hai que notar é a proporción de dispersión: só arredor do 3% dos parámetros se activan nun token dado, que é o que fai que un modelo deste tamaño se poida servir sequera. O propio bloque MoE segue sendo DeepSeekMoE — os expertos enrutados de gran fino máis os expertos compartidos sempre activos introducidos en V2 — con só cambios menores en V4, o máis visible o enrutamento por hash nas capas máis temperás. Multi-Token Prediction, o obxectivo auxiliar de V3 que tamén habilita a decodificación especulativa, mantense sen cambios.

As pezas novas de V4 son estruturais. As Manifold-Constrained Hyper-Connections (mHC) substitúen o camiño residual simple por unha matriz de mestura aprendida, restrinxida á variedade das matrices dobremente estocásticas mediante unha proxección de Sinkhorn–Knopp — un fluxo residual que se repondera segundo a entrada sen a deriva numérica que mata as pilas moi profundas. O adestramento pasou de AdamW a Muon para a maioría dos módulos, usando ortogonalización de Newton–Schulz, e mantívose AdamW só para os embeddings, as cabezas de predición, a normalización e os parámetros estáticos de mHC. E os pesos dos expertos adéstranse en FP4 coa maioría dos demais parámetros en FP8 — conscientes da cuantización desde o principio, o que importa para o ben que o modelo aguanta unha compresión posterior.

03De MLA a CSA + HCA: como DeepSeek mantén barato o contexto longo

O fío condutor de DeepSeek ao longo de catro xeracións non é o tamaño, é a economía da atención. Cada versión atacou a caché KV, que crece linealmente co contexto e domina a memoria nas lonxitudes grandes.

• V2 introduciu a Multi-head Latent Attention (MLA) — unha compresión conxunta de rango baixo de claves e valores nun vector latente, de xeito que a xeración almacena na caché ese vector máis unha clave RoPE desacoplada en vez das K e V completas por cabeza. DeepSeek informou dunha caché KV reducida a arredor do 4–14% da atención multicabeza estándar, mantendo ou mellorando a calidade.
• V3 escalou iso a 671B, converténdoo na suposición por defecto para o contexto longo barato nos modelos abertos.
• V3.2 engadiu a DeepSeek Sparse Attention (DSA), seleccionando un subconxunto top-k do historial por consulta mediante un indexador lixeiro en vez de atender a todo.
• V4 hibrida. A Compressed Sparse Attention (CSA) comprime primeiro as entradas KV de cada m tokens nunha soa entrada con pesos aprendidos, e despois executa unha selección dispersa top-k sobre esas entradas comprimidas. A Heavily Compressed Attention (HCA) comprime moito máis agresivamente pero mantense densa sobre o resultado. Os dous tipos de capa intercálanse ao longo da pila, así que o resumo global barato e a recuperación local precisa conviven.

O beneficio declarado nun contexto dun millón de tokens é rotundo: V4-Pro necesita arredor do 27% dos FLOPs de inferencia por token e do 10% da caché KV de V3.2. Por iso unha petición de 262K compórtase como unha petición normal e non como un acontecemento de memoria, e por iso as cifras de recuperación en contexto longo aguantan en vez de desmoronarse pasadas unhas poucas decenas de miles de tokens.

04Que significa o sufixo 3BIT-REAP

O noso identificador de catálogo remata en 3BIT-REAP, e iso describe dous pasos de compresión independentes aplicados en orde.

REAP: podar expertos, non fusionalos

REAP é Router-weighted Expert Activation Pruning, de Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", aceptado en ICLR 2026. Nunha MoE dispersa o enrutador non usa os seus expertos por igual: unha longa cola selecciónase raramente, debilmente ou ambas as cousas. REAP puntúa cada experto combinando os valores de porta do enrutador (con que frecuencia e con que forza se escolle) coas normas de activación do experto (canto contribúe a súa saída), e despois elimina de vez os perdedores.

O argumento do artigo é que podar gaña a fusionar: a fusión fai a media e borra a especialización funcional que fixo que a MoE valese a pena construír, mentres que eliminar os expertos aos que o enrutador case non chega consérvaa. En modelos de 20B a 1T, REAP superou a fusión e outros métodos de poda competidores en benchmarks xerativos, e os autores informan de resultados case sen perdas na xeración de código e na chamada de ferramentas cun 50% de poda de expertos en Qwen3-Coder-480B e Kimi-K2 — que é exactamente o perfil de carga para o que está aquí este modelo.

Pesos de 3 bits: o nivel de compresión para as bases máis grandes

O que sobrevive cuantízase despois a pesos de 3 bits. Tres bits é agresivo, e non finximos o contrario: en toda a liña usamos W8A16 onde a base é abondo pequena para non precisar o apreto, W4A16-AUTOROUND-REAP no medio, e 3BIT-REAP só nas bases máis grandes, onde é a diferenza entre servir o modelo e non servilo.

Paga a pena dicir a compensación con claridade: unha MoE de 1.6T a 3 bits non é idéntica bit a bit á versión de referencia, e hai un pequeno custo real de calidade. O que consegues a cambio é unha base cuxo teito sen comprimir queda moi por riba de calquera cousa que caiba con folgura a maior precisión — e, como os expertos de V4 se adestraron xa en FP4, o modelo compórtase inusualmente ben baixo unha compresión de pesos posterior. Se queres unha compilación de DeepSeek cunha man máis lixeira na precisión, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP usa pesos de 4 bits con activacións de 16 bits e o redondeo aprendido de AutoRound, no mesmo contexto de 262K a $0.50 de entrada / $2.00 de saída.

05O razoamento e o dial reasoning_effort

O postadestramento de V4 adestra especialistas de dominio por separado — matemáticas, programación, axentes, seguimento de instrucións — con SFT seguido de GRPO, o método Group Relative Policy Optimization que DeepSeek introduciu con R1. Eses especialistas unifícanse despois nun só modelo mediante destilación on-policy baixo un obxectivo de KL inversa, así que un único punto de control leva comportamento de nivel especialista en varios dominios á vez en vez de ser un xeneralista mediocre en todos eles.

O modelo publicado expón modos de pensamento graduados en vez dun interruptor binario. Na nosa pasarela iso é o parámetro estándar reasoning_effort, o mando máis útil deste modelo:

• Baixo — resposta case directa: clasificación, extracción, reescritura, calquera cousa na que pagas polo coñecemento do modelo e non pola súa deliberación.
• Medio — o modo de traballo por defecto para revisión de código, depuración e análise en varios pasos.
• Alto — deliberación longa antes de responder. Onde se resolven os problemas difíciles, e onde vive a túa factura de tokens de saída, xa que os tokens de razoamento factúranse como saída.

Como non hai capa de negativas, a traza de razoamento non se trunca en temas sensibles — o patrón de supresión do pensamento documentado no servizo oficial non ten aquí mecanismo ningún polo que ocorrer.

06Código e traballo con axentes: o que puntúa a base

Estas son as cifras publicadas pola propia DeepSeek-AI para a versión V4-Pro — non son nosas, e non están medidas sobre a nosa compilación cuantizada. Amosámolas porque son a razón honesta para escoller esta base, e sinalámolas como oficiais para que as poidas ponderar en consecuencia.

Dúas merecen comentario. SWE-bench Verified nun 80.6% é resolución de incidencias en repositorios reais — ler unha base de código descoñecida, localizar o defecto e producir un parche que pase as probas do propio proxecto. MRCR nun millón de tokens (83.5) é recuperación de correferencia en varias roldas a lonxitude completa, a cifra que che di que a afirmación sobre o contexto longo non é decorativa. DeepSeek tamén informa dunha puntuación de Codeforces de 3206 para o modelo, e de 62.0 en CorpusQA cun contexto de 1M.

As cifras de arriba son as informadas por DeepSeek-AI para a versión de referencia DeepSeek-V4-Pro. A nosa compilación 3BIT-REAP é unha variante comprimida deses pesos e non foi avaliada de forma independente nestas tarefas; trata as puntuacións de referencia como o teito da base, non como unha medición deste endpoint.

07262K de contexto: que cabe realmente

O modelo de referencia está adestrado para un millón de tokens. Nós servimos 262,144 — a xanela que comparten todos os modelos da pasarela, así que cambiar de modelo é un cambio dunha liña e nunca unha regresión de contexto. Na práctica, 262K está pasado o punto no que o contexto limita a maior parte do traballo real:

Carga de traballo	Tokens aprox.	Cabe en 262K?
Repositorio de servizo medio (~50k liñas)	~600K	Non — selecciona módulos
Un só subsistema máis as súas probas	~60–120K	Si, con folgura
O conxunto completo de RFC dun protocolo	~150K	Si
Un libro técnico de 700 páxinas	~250K	Si, preto do límite
Execución longa dun axente, máis de 40 roldas de ferramentas	~80–200K	Si

O límite co que hai que contar é a saída: 16,384 tokens como máximo por resposta. Iso é un documento longo ou un parche substancial de varios ficheiros, pero non unha base de código. Os traballos de xeración grandes fanse encadeando peticións co resultado anterior de volta no contexto — cousa que a xanela de 262K abarata — en vez de pedir unha única completación enorme.

08Prezo, e onde encaixa V4-Pro na liña

A $1.95 de entrada / $3.90 de saída por millón de tokens, V4-Pro é o nivel insignia de razoamento — o modelo ao que acodes cando o problema é difícil. Cando só é grande, modelos máis baratos coa mesma xanela de 262K farano pola cuarta parte do prezo.

Modelo sen censura	Entrada / 1M	Saída / 1M	Visión	Mellor para
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Non	Razoamento difícil, código, axentes
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Non	Mesma liñaxe, alto volume
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Non	Cabalo de batalla de propósito xeral
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Si	Axentes multimodais de gama alta
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Si	A visión máis barata

Sendo claros coa comparación que a xente vai facer de verdade: a propia API de DeepSeek é máis barata ca esta — o V4-Pro oficial figura arredor de $0.435 de entrada / $0.87 de saída, e o seu prezo de entrada con acerto de caché aínda é máis baixo. Se o prezo por token é o teu único criterio e o comportamento de moderación non afecta ao teu traballo, usa a API oficial; preferimos dicircho a que o descubras máis tarde. O sobreprezo compra un conxunto distinto de propiedades: sen capa de negativas e sen filtro de saída, un operador estadounidense baixo Shannon Lab LLC, un punto de control datado e fixado (0813) para que unha actualización silenciosa augas arriba non cambie nunca as túas saídas a media proxecto, tres dialectos de API contra un só modelo, e a mesma xanela de 262K e a mesma superficie de parámetros nos doce modelos da liña.

09Como chamalo: tres dialectos, un modelo

Todos os modelos da pasarela responden nos tres endpoints, con streaming en cada un. Non adoptas un SDK novo — cambias unha URL base e un identificador de modelo.

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 — dialecto de OpenAI; funciona cos SDK de OpenAI e con calquera cousa construída sobre eles.
• /v1/messages — dialecto de Anthropic, para bases de código xa escritas contra esa forma.
• /v1/responses — a interface ao estilo Responses.

Admitido neste modelo: streaming, chamada de ferramentas nativa, saída estruturada json_schema estrita, response_format e reasoning_effort. A referencia completa de parámetros e un playground en vivo están na documentación da API.

10Límites honestos

Catro cousas que hai que saber antes de construír sobre el:

• Sen visión. Só texto; non acepta entrada de imaxe en ningún endpoint. Se precisas un modelo sen censura que vexa, usa Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ou inkling.
• Teito de saída de 16,384 tokens. Os tokens de razoamento contan contra el cun esforzo alto, así que unha deliberación longa deixa menos sitio para a resposta. Encadea peticións para os traballos de xeración grandes.
• 3 bits é unha compresión real. As puntuacións de referencia describen a base, non esta compilación. Para o nivel de maior fidelidade, os modelos W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) levan a menor cuantización.
• Sen censura non quere dicir sen consecuencias. Que non haxa capa de negativas significa que a responsabilidade polo que pidas, e polo que fagas coa resposta, recae en ti — baixo as nosas condicións de servizo e a lei do lugar onde operes.

11Preguntas frecuentes

---

Fontes: DeepSeek-AI — ficha do modelo DeepSeek-V4-Pro · Informe técnico de DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Informe técnico de DeepSeek-V3 · REAP the Experts (Cerebras Research) · Auditoría de censura de Promptfoo · Discovering Forbidden Topics in Language Models. As cifras de benchmark son as informadas por DeepSeek-AI para a versión de referencia; a verificación independente por terceiros da compilación comprimida está pendente. Os prezos son os de tarifa de Shannon AI a 5 de setembro de 2026.