API של DeepSeek Flash ללא צנזורה

רוב הצוותים שבוחנים API של LLM ממטבים את המשתנה הלא נכון. הם מודדים על עשרים ההנחיות הקשות ביותר שהם מסוגלים לחשוב עליהן, בוחרים את המנצח, ומגלים שישה שבועות אחר כך שתשעים וחמישה אחוזים מהתעבורה שלהם היא עבודה קצרה, מובנית וחוזרת שמודל שעולה רבע מהמחיר היה מטפל בה באופן זהה. DeepSeek-V4-Flash קיים בשביל תשעים וחמישה האחוזים האלה. הדף הזה עוסק בלדעת מתי אתה בתוכם — ומתי לא.

01מה אתה מקבל בפועל

מאפיין	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
מזהה המודל	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
הקשר / פלט מרבי	262,144 טוקנים / 16,384 טוקנים
מחיר למיליון (קלט / פלט)	$0.50 / $2.00
הזרמה · קריאת כלים · חשיבה	כן — בשלושת הדיאלקטים
פלט מובנה	json_schema ו-response_format
קלט תמונה (ראייה)	לא — טקסט בלבד
שכבת סירוב / מסנן פלט	אין
מוגש על	אשכול ה-GPU של Shannon עצמה

שלושה דיאלקטים של API מגיעים לאותם משקלים: /v1/chat/completions (בצורת OpenAI), /v1/messages (בצורת Anthropic), ו-/v1/responses. הזרמה עובדת בשלושתם. סימוכין מלאים לפרמטרים נמצאים בתיעוד ה-API.

02מאיפה הוא מגיע: שושלת DeepSeek

DeepSeek-AI השקיעה חמישה דורות מודלים באובססיה אחת: להוציא התנהגות חזיתית ממודל שזול להגיש, ולא רק זול לאמן. כמעט כל החלטה ארכיטקטונית בקו נובעת מזה, והחשובות שבהן פורסמו. שלוש מהן מסבירות למה אתה קורא כשאתה פונה לנקודת הקצה הזו.

DeepSeekMoE — מומחים עדינים בתוספת מומחה משותף

שכבת Mixture-of-Experts מחליפה רשת הזנה-קדימה אחת וגדולה בהרבה רשתות קטנות ובנתב שבוחר קומץ מהן לכל טוקן. הווריאנט של DeepSeek פורס את המומחים עדין יותר מהמבנה המקובל של שמונה מומחים, כך שאותם FLOPs מופעלים קונים תערובת ספציפית הרבה יותר קומבינטורית, והוא מבודד מומחה משותף שכל טוקן עובר דרכו, כך שידע כללי לא נלמד מחדש בכפילות בתוך כל מומחה. DeepSeek-V3 סיפק זאת כ-256 מומחים מנותבים בתוספת מומחה משותף אחד, עם הפעלה של 8 מנותבים לכל טוקן — 671B פרמטרים בסך הכול, 37B פעילים — יחד עם איזון עומסים ללא הפסד עזר: במקום איבר קנס שפוגע באיכות, הטיה לכל מומחה מעלה או מורידה את ציוני הניתוב בכל צעד לפי אם המומחה רץ בתת-עומס או בעומס יתר.

MLA — תשומת לב שנכנסת לזיכרון

החצי השני של בעיית עלות ההגשה הוא מטמון ה-KV, שגדל לינארית עם ההקשר ושולט בזיכרון באורכי רצף גדולים. Multi-head Latent Attention, שהוצג ב-DeepSeek-V2, דוחס מפתחות וערכים במשותף לווקטור סמוי בדרגה נמוכה ומאחסן אותו במטמון, ומשחזר K/V שמישים תוך כדי תנועה. הנתונים שפרסמה DeepSeek ל-V2, מול DeepSeek 67B הצפוף הקודם שלה, מדווחים על הפחתה של 93.3% במטמון ה-KV ועל תפוקת ייצור מרבית גבוהה פי 5.76. זו הסיבה שחלון של 262K טוקנים הוא מובן מאליו במשפחה הזו ולא תוספת פרימיום.

תשומת לב דלילה — והתקדים לטוקנים זולים

גרסת V3.2-Exp הוסיפה DeepSeek Sparse Attention: מאנדקס קליל מדרג טוקני הקשר מול השאילתה, ובורר משאיר רק את בעלי הציון הגבוה. החלק המעניין הוא הקבלה, לא המנגנון. DeepSeek פרסמה השוואה זה מול זה עם V3.1-Terminus כאשר MMLU-Pro זהה על 85.0, AIME 2025 עלה (88.4 → 89.3), ו-SWE-bench Verified ירד במעט (68.4 → 67.8) — איכות שטוחה במהותה — והורידה את מחירי ה-API שלה ביותר מ-50% באותו יום. ארכיטקטורה, שדווחה בכנות, שמתורגמת ישירות למחיר. Flash הוא הטיעון הזה בצעד אחד קדימה.

דור V4

גרסת V4, שהוצגה בתצוגה מקדימה באפריל 2026 תחת רישיון MIT, מחליפה שוב את מחסנית תשומת הלב בהיברידיות של Compressed Sparse Attention ושל Heavily Compressed Attention, מתאמנת עם ממטב Muon על יותר מ-32T טוקנים, ושומרת על מטרת הניבוי הרב-טוקני של V3 — שמשמשת גם כפענוח ספקולטיבי, ואשר DeepSeek מדדה לה שיעור קבלה של 85–90% לטוקן השני, כלומר האצת פענוח של פי 1.8 בערך ב-V3. תקציר V4 מדווח ש-V4-Pro רץ ב-27% מה-FLOPs של הסקה לטוקן יחיד של V3.2 וב-10% ממטמון ה-KV שלה. המשפחה חושפת שלוש רמות של מאמץ חשיבה, וזה מה שהפרמטר reasoning_effort שלנו ממופה אליו.

מקורות: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · הדוח הטכני של DeepSeek-V3 (arXiv 2412.19437) · כרטיס המודל של DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). כל הנתונים מדווחים על ידי DeepSeek.

03מה "Flash" באמת אומר

זו הנקודה שרוב ההשוואות מפספסות, אז שווה לומר אותה בפשטות: ה-Flash של DeepSeek אינו Pro מקוונטז, גזום או מזוקק. זהו מודל Mixture-of-Experts קטן יותר שאומן בנפרד עם הרצת אימון מקדים משלו. מאמר התצוגה המקדימה של V4 נותן את שני הגדלים:

נתונים ממאמר התצוגה המקדימה של DeepSeek-V4. נקודות הבדיקה הרשמיות שאנחנו מגישים — V4-Flash-0731 ו-V4-Pro-0813 — מציינות בכרטיסי המודל סכומים גדולים במקצת, 304B ו-1.7T; DeepSeek אינה מציינת מחדש פרמטרים מופעלים לבניות האלה.

שני מספרים עושים כאן את העבודה. סך הפרמטרים קובע את טביעת הרגל בזיכרון, שמכריעה כמה חומרה עותק של המודל תופס. הפרמטרים המופעלים קובעים את האריתמטיקה לכל טוקן, שמכריעה את התפוקה. Flash קטן פי 5.6 בערך בראשון ופי 3.8 בשני — ויש בפער הזה דקות שכדאי לשים לב אליה: Flash מפעיל 13 מתוך 284 מיליארד פרמטרים, כלומר כ-4.6%, בעוד Pro מפעיל 49 מתוך 1,600 מיליארד, כלומר כ-3.1%. Flash הוא המודל הפחות דליל. הוא אינו פשוט Pro עם פחות מומחים דלוקים; הוא תכנון צפוף יותר ומאוזן אחרת שמוציא נתח גדול יותר מעצמו על כל טוקן שהוא מייצר. זו בחירה הנדסית אמיתית, לא הורדת דרג.

מה אומרים המספרים של DeepSeek עצמה

שני כרטיסי המודל הרשמיים מפרסמים ציונים על אותם בנצ'מרקים סוכניים והנדסיים, מה שהופך את ההשוואה הזו לנקייה במיוחד — אותה מעבדה, אותה מסגרת הערכה, שני גדלים:

בנצ'מרק (מדווח על ידי 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 מנצח בכל שורה. זו הכותרת הכנה, ואנחנו מעדיפים שתקרא אותה כאן ולא תגלה אותה בייצור. אבל קרא את המרווחים, כי הם מה שאתה קונה בפועל. ב-Terminal Bench 2.1 הפער הוא 5.2 נקודות במודל עם חלק אחד מעשרים וחמישה מהפרמטרים; בשימוש בכלים הוא 3.8 נקודות. הפער מתרחב במקום שבו העבודה נעשית עמוקה יותר — 8.3 נקודות ב-DeepSWE, 7.3 ב-NL2Repo, ושניהם מתגמלים חשיבת קוד מתמשכת ורבת-שלבים. זו צורת הפשרה בטבלה אחת: Flash סוגר את רוב המרחק במשימות תחומות ומוותר קרקע במשימות פתוחות.

כרטיס ה-Flash של DeepSeek עצמה מחדד את הנקודה עוד יותר: Flash-0731 עוקף את התצוגה המקדימה של V4-Pro בבנצ'מרקים המפורטים, למרות מספר הפרמטרים המופעלים הקטן בהרבה שלו. מודל קטן וחדש יותר שמנצח מודל גדול וישן יותר הוא מצב עניינים רגיל בתחום הזה, וזו הסיבה ש"דרג גדול יותר" לעולם לא צריך להיות תשובת ברירת המחדל שלך.

04קריאת הסיומת: W4A16-AUTOROUND-REAP

מזהי המודלים שלנו מצהירים בקול על סכמת הדחיסה שלהם, כי זה הדבר שמשפיע יותר מכול על איכות הפלט וכמעט אף אחד לא חושף אותו. הסיומת הזו מתפרקת לשלוש טענות.

W4A16 — משקלים של 4 סיביות, הפעלות של 16 סיביות

המשקלים נשמרים ב-4 סיביות כל אחד; ההפעלות זורמות בדיוק של 16 סיביות. זו קוונטיזציה של משקלים בלבד, והיא מכוונת לצוואר הבקבוק האמיתי בייצור טוקנים, שהוא רוחב הפס של הזיכרון ולא האריתמטיקה. קוונטיזציה גם של ההפעלות הייתה קונה קצת מהירות ומסכנת בצוק דיוק גדול הרבה יותר; להשאיר אותן ב-16 סיביות היא הבחירה השמרנית ובעלת הנאמנות הגבוהה. הסימון הוא קיצור של אקוסיסטם ההגשה — ספרות הקוונטיזציה כותבת את אותו הדבר כ-W4 עם גודל קבוצה.

AUTOROUND — עיגול נלמד, לא עיגול לערך הקרוב

קוונטיזציה נאיבית מעגלת כל משקל לערך הייצוגי הקרוב ביותר. זה מוכח כלא אופטימלי: עיגול משקל אחד בכיוון ה"שגוי" יכול לבטל שגיאה שהכניסו שכניו, ועם מיליארדי משקלים האינטראקציות האלה שולטות. AutoRound, מבית Intel, מתייחסת להחלטת העיגול עצמה כאל משהו שיש ללמוד — הפרעה ניתנת לאימון לכל משקל שמוגבלת ל-±0.5, בדיוק מספיק כדי להפוך כל החלטת עיגול בודדת ולעולם לא יותר, בתוספת טווחי גזירה נלמדים, שממוטבים בירידת גרדיאנט מסומנת מול מטרת שחזור פלט ברמת הבלוק על פני קבוצת כיול קטנה. מאתיים צעדים, וזהו.

ההשוואות שפרסמה Intel מראות ש-AutoRound מנצחת את GPTQ ב-30 מתוך 32 תרחישים שנבדקו, את AWQ ב-27 מתוך 32 ואת OmniQuant ב-29 מתוך 32 בהגדרות של 4 סיביות למשקלים בלבד, עם רווחים על פני עיגול נאיבי לערך הקרוב של 6.9 עד 33.2 נקודות דיוק ב-2 סיביות. שום דבר מזה לא עולה כלום בזמן ההסקה: זו בחירה טובה יותר של מספרים, שנעשית פעם אחת, לא מקוונת.

REAP — הסרת מומחים שאף אחד לא מנתב אליהם

REAP (Router-weighted Expert Activation Pruning), מבית Cerebras Systems ואוניברסיטת קלגרי, היא דחיסה בשלב יחיד למודלי MoE. היא מדרגת כל מומחה לפי עוצמת ותדירות פתיחת השער של הנתב אליו, מוכפלת בעוצמת הפלט של אותו מומחה, ואז מוחקת לחלוטין את המומחים הפחות בולטים — בלי אימון מחדש אחר כך.

הממצא המרכזי של המאמר הוא השימושי: ביחסי דחיסה גבוהים, גיזום מומחים מנצח את מיזוגם. מיזוג מומחים שונים תפקודית גורם למה שהמחברים מכנים קריסת תת-מרחב תפקודית — הנתב מאבד את הבקרה העדינה והתלויה-קלט שבגללה היה שווה לבנות MoE, ונשאר לנווט בין ממוצעים סטטיים. המספרים שלהם על פני מודלים מ-20B ועד 1T פרמטרים: בדחיסת מומחים של 25% במשימות קוד, REAP מאבדת 2.8% דיוק ממוצע במקום שבו בסיסי מיזוג מאבדים יותר מ-5%; ב-50%, REAP מאבדת 8.0% במקום שמיזוג מאבד יותר מ-20%. על Qwen3-Coder-480B בגיזום של 50% הירידה היא 1.4%, מול 39.3% בגיזום נאיבי מבוסס תדירות. Cerebras פרסמה נקודות בדיקה של REAP לקו של DeepSeek בין השאר.

למה 4 סיביות כאן ו-3 סיביות ב-Pro

שני הדרגים חייבים להיכנס ולהישאר מהירים על אותה מחלקת חומרה. Pro נושא 1.7 טריליון פרמטרים, ולכן הוא זקוק לטיפול האגרסיבי יותר של 3 סיביות רק כדי להיכנס. Flash נושא כ-300 מיליארד, ולכן הוא לא זקוק לזה — והסיבית שהוא חוסך מוצאת על נאמנות במקום על התאמה לגודל.

הסיבית הנוספת הזו חשובה יותר ממה שהאריתמטיקה שלה מרמזת, כי הנזק של הקוונטיזציה אינו לינארי. במדידות WikiText-2 שבמאמר AWQ, Llama-2-7B עובר מ-5.47 מבוכה ב-FP16 ל-5.60 ב-4 סיביות — קנס של 2.4% — אבל ל-6.24 ב-3 סיביות, קנס של 14%. זה בערך פי שישה נזק תמורת 25% יותר דחיסה, ואותה תבנית מתקיימת גם ב-70B. מאמר GPTQ בוטה עוד יותר: ב-3 סיביות, עיגול נאיבי לערך הקרוב קורס על מודלים ממחלקת 175B, אל תוך אלפי נקודות מבוכה, בעודו נשאר שמיש לחלוטין ב-4 סיביות. מתחת לארבע סיביות, אלגוריתם קוונטיזציה טוב מפסיק להיות נוחות והופך לדבר היחיד שמחזיק את המודל יחד.

אז הקריאה הכנה של שתי הסיומות האלה היא: Flash יושב קרוב יותר לגרסה הלא דחוסה של עצמו מכפי ש-Pro יושב לשלו. Pro עדיין המודל החזק יותר — טבלת הבנצ'מרקים למעלה מכריעה את זה. הוא פשוט ויתר על יותר כדי להגיע לכאן, ואתה משלם על הזכות.

מקורות: 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. נתוני המבוכה מתוך AWQ (arXiv 2306.00978) ו-GPTQ (arXiv 2210.17323).

05Flash מול Pro בנקודת הקצה

סעיף 03 כיסה את מודלי היסוד. הנה איך שני הדרגים נראים כמוצרים בשער שלנו:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
קוונטיזציה	W4A16-AUTOROUND-REAP	3BIT-REAP
דיוק המשקלים	4 סיביות, עיגול נלמד	3 סיביות
מודל יסוד (סך הכול / פעילים)	~304B / 13B	~1.7T / 49B
קלט למיליון טוקנים	$0.50	$1.95
פלט למיליון טוקנים	$2.00	$3.90
הקשר / פלט מרבי	262,144 / 16,384	262,144 / 16,384
כלים · פלט מובנה · הזרמה	כן	כן
ראייה	לא	לא
שכבת סירוב	אין	אין

שים לב למה שאינו משתנה: ההקשר, תקרת הפלט, קריאת הכלים, הפלט המובנה והיעדר שכבת הסירוב זהים. הדברים היחידים שזזים הם מודל היסוד, הקוונטיזציה והמחיר. זה הופך מעבר ביניהם לשינוי של מחרוזת אחת בקוד שלך ולהחלטה כלכלית טהורה בארכיטקטורה שלך.

כמה עולה קריאה אחת בגודל מרבי

מלא את כל ההקשר של 262,144 טוקנים וקח את מלוא הפלט של 16,384 טוקנים:

במחירון. Flash: $0.131 קלט + $0.033 פלט. Pro: $0.511 + $0.064. יחס של פי 3.51. Flash גם חולק את רצפת $0.50 / $2.00 עם MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ו-Hy3 — ראה את הקטלוג המלא כדי להבין במה הם נבדלים בראייה ובפלט מובנה.

06אריתמטיקת הנפח, מחושבת

"זול פי 3.9" נכון רק בקלט. בפלט Flash זול פי 1.95. החיסכון האמיתי שלך תלוי אפוא ביחס הקלט-לפלט שלך, והפיזור רחב מספיק כדי לשנות החלטות תכנון. ארבעה עומסי עבודה מציאותיים, כל אחד ב-100,000 בקשות:

עומס עבודה	קלט / פלט לקריאה	Flash	Pro	חיסכון
סיווג פניות	1,200 / 120	$84	$281	3.3×
מענה על שאלות ב-RAG	8,000 / 600	$520	$1,794	3.4×
סיכום מסמך ארוך	60,000 / 1,500	$3,300	$12,285	3.7×
יצירת נתונים סינתטיים	500 / 2,000	$425	$878	2.1×

התבנית: ככל שאתה דוחף יותר הקשר ומייצר פחות טקסט, כך Flash חוסך לך יותר. צינורות אחזור, מיון מסמכים, ניתוח יומנים ותמלולים, וחילוץ בהקשר ארוך הם נקודת המתיקות — הם נשלטים על ידי הקלט בסדר גודל, והקלט הוא המקום שבו ההנחה של פי 3.9 חיה. אם לעומת זאת עומס העבודה שלך הוא הנחיה קצרה שמייצרת אלפי טוקנים של פרוזה, הפער מצטמצם לכדי פי 2 בערך והטיעון היכולתי לטובת Pro מתחזק בהתאם.

עוד פיסת אריתמטיקה ששווה להפנים: במחיר $0.50 למיליון טוקני קלט, מילוי כל חלון 262,144 הטוקנים עולה 13.1 סנט. הנחיה בהקשר ארוך מפסיקה להיות שאלה תקציבית במחיר הזה, מה שלפעמים אומר שאפשר לוותר לגמרי על בניית שכבת אחזור ולתת לחלון ההקשר לעשות את העבודה — חיסכון הנדסי מעל חיסכון הטוקנים.

07מה אומר כאן "ללא צנזורה", בדיוק

המילה משמשת ברישול, אז הנה ההגדרה שלנו, מנוסחת כתכונה של נקודת הקצה: אין מסווג סירוב לפני המודל ואין סינון תוכן על הפלט שלו. שום דבר לא מיירט הנחיה ומחזיר סירוב מוכן מראש; שום דבר לא בודק את ההשלמה ומצנזר אותה. לעבודת ייצור בנפח גבוה, ההשלכות פחות דרמטיות ויותר שימושיות ממה שהמילה מרמזת:

• בלי התרעות שווא על תעבורה תמימה. נקודות קצה מסוננות דוחות באופן שגרתי סיכומים רפואיים, כתבות אבטחה, גילוי מסמכים משפטי, בדיון, חומרי הפחתת נזקים ואפילו את עבודת המיתון עצמה — בדיוק הקטגוריות שבהן עבודת אצווה מעבדת טקסט על אודות נושא רגיש ולא מייצרת שום דבר מזיק. במאה אלף בקשות, שיעור סירוב שווא של אחוז אחד הוא אלף שורות שבורות.
• חוזים דטרמיניסטיים. בקש תשובת json_schema ותקבל JSON שתואם לסכמה, ולא פסקת התנצלות במקום שבו אמור להיות אובייקט. המפענח שלך אינו זקוק לענף סירוב, ולוגיקת הניסיון החוזר שלך אינה צריכה להבחין בין כשל תעבורה לבין כשל מדיניות.
• המדיניות שלך. זו הפשרה. אם המוצר שלך זקוק למעקות בטיחות עבור משתמשי הקצה שלך, אתה בונה אותם בשכבה שלך, שם אתה מכיר את המשתמשים ואת תחום השיפוט שלך, במקום לרשת את הניחושים של ספק לגבי שניהם. החשבון שלך נשאר כפוף למדיניות השימוש האחראי שלנו.

ללא צנזורה אינו זהה ללא מיושר או ללא מועיל. המודל עדיין מציית להוראות ועדיין מכבד הנחיית מערכת. אם אתה רוצה שיסרב לקטגוריות מסוימות עבור המשתמשים שלך, אמור זאת שם — ההוראה הזו היא עכשיו שלך לכתוב ולא שלנו לכפות.

08יכולות ומגבלות כנות

שתי יכולות נושאות את רוב המשקל בעבודת נפח. פלט json_schema קפדני הופך השלמה לשורה במסד נתונים בלי שכבת פענוח ובלי ענף סירוב. קריאת כלים בשלושת הדיאלקטים הופכת את Flash למנוע הגיוני לתת-הצעדים הזולים של סוכן שהמתכנן העליון שלו רץ על מודל חזק יותר. הוסף את reasoning_effort, שמאפשר לך להוציא טוקנים נוספים רק על החלק מהתעבורה שזקוק להם, והקשר של 262,144 טוקנים הזהה לזה של Pro — אינך מוותר על הקשר בבחירת הדרג הזול, וזה חריג.

המגבלות מוחשיות באותה מידה:

• בלי ראייה. Flash הוא טקסט בלבד וידחה חלקי תמונה בהודעה. לתמונות במודל ללא צנזורה באותה רצפה של $0.50 / $2.00, MiniMax-M3 ו-MiMo-V2.5 הם האפשרויות עם ראייה; Kimi-K2.6 ו-Kimi-K3 הם מודלי ראייה חזקים יותר מעל הדרג הזה.
• לא בראש הסולם. המספרים של DeepSeek עצמה מציבים את Pro בהובלה בכל בנצ'מרק סוכני שפורסם, כשהפער רחב ביותר בחשיבת קוד מתמשכת ורבת-שלבים. איפה שתשובה שגויה אחת עולה יותר מאלף זולות, הוצא את $1.45 הנוספים למיליון על DeepSeek-V4-Pro.
• 16,384 טוקני פלט לכל בקשה. ייצור ארוך חייב להתחלק על פני קריאות. זו אותה תקרה בכל מודל שאנחנו מגישים, והיא נכנסת לתוקף הרבה לפני חלון ההקשר.

09איך קוראים לו

הפנה כל לקוח תואם OpenAI לשער ושנה את מחרוזת המודל. שום דבר אחר במחסנית שלך לא צריך לזוז.

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
        }
      }
    }
  }'

אותו מזהה מודל עובד ללא שינוי ב-/v1/messages וב-/v1/responses, וזו הדרך המהירה ביותר לבחון מודל זול יותר מתחת לאינטגרציה קיימת בלי לשכתב את הלקוח. הפרמטרים, צורות אירועי ההזרמה, סכמות קריאת הכלים ומגבלות הקצב מתועדים בסימוכין ה-API; כל מודל בקטלוג מופיע בShannon Research.

10שאלות נפוצות

---

מקורות: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · הדוח הטכני של DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · כרטיסי המודל של DeepSeek-V4-Flash-0731 ושל DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). כל נתוני מודלי היסוד והבנצ'מרקים הם כפי שפורסמו על ידי מחבריהם; המחירים של Shannon AI וההקשר המוגש הם ערכי המחירון שלנו נכון לספטמבר 2026.