DeepSeek Flash API bez cenzure

Većina timova koji ocjenjuju LLM API optimizira pogrešnu varijablu. Mjere na dvadeset najtežih promptova kojih se mogu sjetiti, biraju pobjednika i šest tjedana kasnije otkrivaju da je devedeset pet posto njihova prometa kratak, strukturiran i ponavljajući posao koji bi model četiri puta jeftiniji odradio jednako. DeepSeek-V4-Flash postoji za tih devedeset pet posto. Ova je stranica o tome kako znati kad ste u njima — i kad niste.

01Što zapravo dobivate

Svojstvo	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Id modela	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekst / najveći izlaz	262.144 tokena / 16.384 tokena
Cijena po 1M (ulaz / izlaz)	$0.50 / $2.00
Streaming · pozivanje alata · promišljanje	Da — sva tri dijalekta
Strukturirani izlaz	json_schema i response_format
Slikovni ulaz (vid)	Ne — samo tekst
Sloj odbijanja / filtar izlaza	Nema
Posluženo na	Shannonovu vlastitom GPU klasteru

Do istih težina vode tri API dijalekta: /v1/chat/completions (u obliku OpenAI-ja), /v1/messages (u obliku Anthropica) i /v1/responses. Streaming radi na sva tri. Potpun pregled parametara nalazi se u dokumentaciji API-ja.

02Odakle dolazi: loza DeepSeeka

DeepSeek-AI proveo je pet generacija modela na jednoj opsesiji: izvući ponašanje s vrha polja iz modela koji je jeftin za posluživanje, a ne samo za treniranje. Gotovo se svaka arhitektonska odluka u nizu vraća na to, a one važne su objavljene. Tri objašnjavaju što pozivate kad se javite na ovu krajnju točku.

DeepSeekMoE — sitnozrnati stručnjaci plus jedan zajednički

Sloj tipa Mixture-of-Experts zamjenjuje jednu veliku unaprijednu mrežu s mnogo manjih i usmjerivačem koji po tokenu bira njih nekoliko. DeepSeekova varijanta stručnjake reže sitnije od uobičajenog rasporeda s osam stručnjaka, pa isti aktivirani FLOP-ovi kupuju kombinatorno mnogo određeniju mješavinu, a uz to izdvaja zajedničkog stručnjaka kroz kojeg prolazi svaki token, tako da se opće znanje ne uči iznova unutar svakog specijalista. DeepSeek-V3 isporučio je to kao 256 usmjeravanih stručnjaka plus 1 zajednički, uz 8 usmjeravanih aktivnih po tokenu — ukupno 671 milijardu parametara, 37 milijardi aktivnih — zajedno s uravnoteženjem opterećenja bez pomoćnog gubitka: umjesto kaznenog člana koji kvari kvalitetu, pomak po stručnjaku u svakom koraku podiže ili spušta ocjene usmjeravanja prema tome radi li taj stručnjak nedovoljno ili preopterećeno.

MLA — pažnja koja stane u memoriju

Druga polovica problema troška posluživanja jest KV predmemorija, koja raste linearno s kontekstom i pri dugim nizovima vlada memorijom. Multi-head Latent Attention, uvedena u DeepSeeku-V2, ključeve i vrijednosti zajednički komprimira u latentni vektor niskog ranga i u predmemoriju sprema njega, rekonstruirajući upotrebljive K/V u letu. DeepSeekove objavljene brojke za V2, u odnosu na njihov raniji gusti DeepSeek 67B, navode smanjenje KV predmemorije od 93,3 % i 5,76× veću najveću propusnost generiranja. Zato je prozor od 262K tokena u ovoj obitelji ulaznica, a ne skupi dodatak.

Rijetka pažnja — i presedan za jeftine tokene

V3.2-Exp dodao je DeepSeek Sparse Attention: lagani indekser ocjenjuje tokene konteksta u odnosu na upit, a birač zadržava samo najbolje ocijenjene. Zanimljiv je dio račun, a ne mehanizam. DeepSeek je objavio usporedbu s V3.1-Terminusom uz jednak MMLU-Pro na 85,0, viši AIME 2025 (88,4 → 89,3) i neznatno niži SWE-bench Verified (68,4 → 67,8) — u biti ravnu kvalitetu — i istoga dana snizio cijene svojeg API-ja za više od 50 %. Arhitektura, pošteno prijavljena, izravno pretočena u cijenu. Flash je taj argument doveden korak dalje.

Generacija V4

V4, najavljen u travnju 2026. pod licencom MIT, ponovno mijenja slog pažnje hibridom Compressed Sparse Attentiona i Heavily Compressed Attentiona, trenira se optimizatorom Muon na više od 32 bilijuna tokena i zadržava cilj predviđanja više tokena iz V3 — koji ujedno služi kao spekulativno dekodiranje i za koji je DeepSeek u V3 izmjerio stopu prihvaćanja drugog tokena od 85 do 90 %, uz otprilike 1,8× brže dekodiranje. Sažetak rada o V4 navodi da V4-Pro radi na 27 % FLOP-ova zaključivanja po tokenu iz V3.2 i 10 % njezine KV predmemorije. Obitelj izlaže tri razine napora promišljanja, na što se preslikava naš parametar reasoning_effort.

Izvori: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Tehnički izvještaj o DeepSeeku-V3 (arXiv 2412.19437) · kartica modela DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Sve su brojke onakve kakve ih navodi DeepSeek.

03Što „Flash” zapravo znači

Ovo je točka na kojoj većina usporedbi promašuje, pa je vrijedi izreći ravno: DeepSeekov Flash nije kvantizirani, obrezani ni destilirani Pro. On je zasebno treniran, manji model tipa Mixture-of-Experts s vlastitim predtreniranjem. Rad o najavi V4 daje obje veličine:

Brojke iz rada o najavi DeepSeeka-V4. Službene kontrolne točke koje poslužujemo — V4-Flash-0731 i V4-Pro-0813 — na svojim karticama modela navode nešto veće ukupne iznose od 304 milijarde i 1,7 bilijuna; DeepSeek za te izvedbe ne ponavlja broj aktiviranih parametara.

Dva broja ovdje nose sav posao. Ukupni parametri određuju memorijski otisak, koji odlučuje koliko hardvera zauzima jedan primjerak modela. Aktivirani parametri određuju aritmetiku po tokenu, koja odlučuje o propusnosti. Flash je otprilike 5,6× manji po prvome i 3,8× manji po drugome — a u tom je razmaku suptilnost koju vrijedi primijetiti: Flash aktivira 13 od 284 milijarde parametara, oko 4,6 %, dok Pro aktivira 49 od 1.600 milijardi, oko 3,1 %. Flash je manje rijedak model. Nije naprosto Pro s manje uključenih stručnjaka; on je gušći, drukčije uravnotežen dizajn koji na svaki token koji proizvede troši veći udio sebe. To je stvarna inženjerska odluka, a ne degradacija.

Što kažu DeepSeekove vlastite brojke

Obje službene kartice modela objavljuju rezultate na istim agentskim i softverskoinženjerskim mjerilima, što ovo čini neuobičajeno čistom usporedbom — isti laboratorij, isti ocjenjivački pribor, dvije veličine:

Mjerilo (kako navodi 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 pobjeđuje u svakom retku. To je poštena vijest u naslovu i draže nam je da je pročitate ovdje nego da je otkrijete u proizvodnji. Ali čitajte razlike, jer one su ono što zapravo kupujete. Na Terminal Benchu 2.1 razmak je 5,2 boda na modelu s dvadeset petinom parametara; na uporabi alata 3,8 bodova. Razmak se širi ondje gdje posao ide najdublje — 8,3 boda na DeepSWE-u, 7,3 na NL2Repou, a oba nagrađuju dugotrajno višekoračno promišljanje o kodu. To je oblik nagodbe u jednoj tablici: Flash zatvara većinu razmaka na omeđenim zadacima, a popušta na otvorenima.

DeepSeekova vlastita kartica za Flash tvrdnju izoštrava još više: Flash-0731 nadmašuje najavni V4-Pro na navedenim mjerilima unatoč mnogo manjem broju aktiviranih parametara. Da noviji mali model pobjeđuje stariji veliki uobičajeno je stanje stvari u ovom području i upravo je to razlog zašto „veća razina” nikad ne bi smjela biti vaš podrazumijevani odgovor.

04Čitanje sufiksa: W4A16-AUTOROUND-REAP

Naši id-ovi modela naglas izriču svoju shemu kompresije, jer je upravo to ono što najviše utječe na kvalitetu izlaza, a gotovo je nitko ne objavljuje. Ovaj se raspada na tri tvrdnje.

W4A16 — 4-bitne težine, 16-bitne aktivacije

Težine se pohranjuju na 4 bita svaka; aktivacije teku u 16-bitnoj preciznosti. Ovo je kvantizacija samo težina i cilja na stvarno usko grlo generiranja tokena, a to je propusnost memorije, a ne aritmetika. Kvantiziranje i aktivacija kupilo bi nešto malo brzine uz rizik mnogo veće provalije u točnosti; ostaviti ih na 16 bita konzervativan je izbor visoke vjernosti. Zapis je kratica iz ekosustava posluživanja — kvantizacijska literatura isto piše kao W4 uz veličinu skupine.

AUTOROUND — naučeno zaokruživanje, a ne zaokruživanje na najbliže

Naivna kvantizacija svaku težinu zaokružuje na najbližu prikazivu vrijednost. To dokazivo nije optimalno: zaokruživanje jedne težine na „pogrešnu” stranu može poništiti pogrešku koju su unijeli njezini susjedi, a s milijardama težina te međuigre prevladavaju. AutoRound, iz Intela, samu odluku o zaokruživanju tretira kao nešto što treba naučiti — kao poremećaj po težini koji se uči i ograničen je na ±0,5, taman toliko da preokrene bilo koju pojedinu odluku o zaokruživanju i nikad više, uz naučive raspone odsijecanja, optimizirano predznačenim gradijentnim spustom prema cilju blokovske rekonstrukcije izlaza nad malim kalibracijskim skupom. Dvjesto koraka i gotovo.

Intelove objavljene usporedbe pokazuju AutoRound bolji od GPTQ-a u 30 od 32 ispitana scenarija, od AWQ-a u 27 od 32 i od OmniQuanta u 29 od 32 pri 4-bitnim postavkama samo za težine, uz dobitke nad naivnim zaokruživanjem na najbliže od 6,9 do 33,2 boda točnosti pri 2 bita. Ništa od toga ne košta ništa u trenutku zaključivanja: riječ je o boljem izboru brojeva, napravljenom jednom, izvan mreže.

REAP — izbacivanje stručnjaka kojima nitko ne usmjerava

REAP (Router-weighted Expert Activation Pruning), iz Cerebras Systemsa i Sveučilišta u Calgaryju, jednokratna je kompresija za MoE modele. Svakog stručnjaka ocjenjuje po tome koliko mu snažno i koliko često usmjerivač otvara vrata, pomnoženo veličinom izlaza tog stručnjaka, a zatim najmanje istaknute stručnjake izravno briše — bez ponovnog treniranja nakon toga.

Središnji je nalaz rada onaj koristan: pri visokim omjerima kompresije obrezivanje stručnjaka pobjeđuje njihovo spajanje. Spajanje funkcionalno različitih stručnjaka izaziva ono što autori zovu urušavanjem funkcijskog podprostora — usmjerivač gubi sitnozrnati nadzor ovisan o ulazu zbog kojega se MoE i gradio i ostaje mu upravljanje između statičnih prosjeka. Njihove brojke na modelima od 20 milijardi do bilijun parametara: pri 25 % kompresije stručnjaka na zadacima programiranja REAP gubi 2,8 % prosječne točnosti ondje gdje polazne izvedbe sa spajanjem gube preko 5 %; pri 50 % REAP gubi 8,0 % ondje gdje spajanje gubi preko 20 %. Na Qwen3-Coder-480B uz 50 % obrezivanja pad je 1,4 %, naspram 39,3 % za naivno obrezivanje po učestalosti. Cerebras je objavio REAP kontrolne točke i za niz DeepSeek, među ostalima.

Zašto ovdje 4 bita, a na Pro 3

Obje razine moraju stati i ostati brze na istoj klasi hardvera. Pro nosi 1,7 bilijuna parametara, pa mu treba agresivniji tretman od 3 bita da uopće stane. Flash nosi otprilike 300 milijardi, pa mu ne treba — a bit koji uštedi troši se na vjernost umjesto na stajanje.

Taj dodatni bit znači više nego što njegova aritmetika sugerira, jer šteta od kvantizacije nije linearna. U mjerenjima na WikiTextu-2 iz rada o AWQ-u, Llama-2-7B ide s perpleksnosti 5,47 pri FP16 na 5,60 pri 4 bita — kazna od 2,4 % — ali na 6,24 pri 3 bita, kazna od 14 %. To je otprilike šest puta veće nazadovanje za 25 % više kompresije, a isti obrazac vrijedi i na 70B. Rad o GPTQ-u još je izravniji: pri 3 bita naivno zaokruživanje na najbliže urušava se na modelima klase 175B, u tisuće perpleksnosti, dok pri 4 bita ostaje posve upotrebljivo. Ispod četiri bita dobar algoritam kvantizacije prestaje biti ljubaznost i postaje jedino što model drži na okupu.

Pošteno čitanje ovih dvaju sufiksa stoga glasi: Flash je bliži svojoj nekomprimiranoj inačici nego što je Pro svojoj. Pro je i dalje jači model — to rješava tablica s mjerilima gore. On je naprosto više dao da bi stigao dovde, a vi tu povlasticu plaćate.

Izvori: 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. Brojke o perpleksnosti iz AWQ-a (arXiv 2306.00978) i GPTQ-a (arXiv 2210.17323).

05Flash naspram Pro na krajnjoj točki

Odjeljak 03 pokrio je temelje. Evo kako te dvije razine izgledaju kao proizvodi na našem pristupniku:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantizacija	W4A16-AUTOROUND-REAP	3BIT-REAP
Preciznost težina	4 bita, naučeno zaokruživanje	3 bita
Temelj (ukupno / aktivno)	~304B / 13B	~1.7T / 49B
Ulaz po 1M tokena	$0.50	$1.95
Izlaz po 1M tokena	$2.00	$3.90
Kontekst / najveći izlaz	262.144 / 16.384	262.144 / 16.384
Alati · strukturirani izlaz · streaming	Da	Da
Vid	Ne	Ne
Sloj odbijanja	Nema	Nema

Primijetite što se ne mijenja: kontekst, strop izlaza, pozivanje alata, strukturirani izlaz i nepostojanje sloja odbijanja jednaki su. Mijenjaju se samo temelj, kvantizacija i cijena. Zbog toga je prebacivanje između njih promjena jednog niza znakova u vašem kodu i čisto ekonomska odluka u vašoj arhitekturi.

Koliko stoji jedan poziv najveće veličine

Napunite cijeli kontekst od 262.144 tokena i uzmite pun izlaz od 16.384 tokena:

Po cjeniku. Flash: 0,131 $ ulaz + 0,033 $ izlaz. Pro: 0,511 $ + 0,064 $. Omjer 3,51×. Flash uz to dijeli dno od 0,50 $ / 2,00 $ s modelima MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro i Hy3 — pogledajte potpun katalog da vidite u čemu se razlikuju po vidu i strukturiranom izlazu.

06Račun obujma, razrađen

„3,9 puta jeftinije” vrijedi samo na ulazu. Na izlazu je Flash jeftiniji 1,95 puta. Vaša stvarna ušteda stoga ovisi o omjeru ulaza i izlaza, a raspon je dovoljno širok da mijenja odluke o dizajnu. Četiri realistična radna opterećenja, svako na 100.000 zahtjeva:

Radno opterećenje	Ulaz / izlaz po pozivu	Flash	Pro	Ušteda
Klasifikacija tiketa	1,200 / 120	$84	$281	3.3×
Odgovaranje na pitanja u RAG-u	8,000 / 600	$520	$1,794	3.4×
Sažetak dugog dokumenta	60,000 / 1,500	$3,300	$12,285	3.7×
Generiranje sintetičkih podataka	500 / 2,000	$425	$878	2.1×

Obrazac glasi: što više konteksta gurate i što manje teksta proizvodite, to vam Flash više štedi. Dohvatni proizvodni lanci, trijaža dokumenata, analiza zapisnika i prijepisa te izlučivanje iz dugog konteksta najslađa su točka — u njima ulaz nadvladava izlaz za red veličine, a upravo na ulazu živi popust od 3,9 puta. Ako je pak vaše radno opterećenje kratak prompt koji proizvodi tisuće tokena proze, razmak se sužava na otprilike 2 puta, a argument sposobnosti za Pro postaje razmjerno jači.

Još jedan komad računa koji vrijedi usvojiti: uz 0,50 $ po milijunu ulaznih tokena, punjenje cijelog prozora od 262.144 tokena stoji 13,1 cent. Promptanje s dugim kontekstom po toj cijeni prestaje biti pitanje proračuna, što katkad znači da sloj dohvata uopće ne morate graditi i da posao možete prepustiti kontekstnom prozoru — inženjerska ušteda povrh uštede na tokenima.

07Što ovdje točno znači „bez cenzure”

Riječ se koristi olako, pa evo naše definicije, izrečene kao svojstvo krajnje točke: ispred modela nema klasifikatora odbijanja i na njegov se izlaz ne primjenjuje filtriranje sadržaja. Ništa ne presreće prompt i ne vraća konzerviranu odbijenicu; ništa ne pregledava dovršetak i ne redigira ga. Za proizvodni rad u velikom obujmu posljedice su manje dramatične i korisnije nego što riječ sugerira:

• Nema lažnih uzbuna na bezazlenom prometu. Filtrirane krajnje točke redovito odbijaju medicinske sažetke, sigurnosne izvještaje, pravno prikupljanje dokaza, fikciju, materijale za smanjenje štete i sam posao moderiranja — upravo one kategorije u kojima serijski posao obrađuje tekst o osjetljivoj temi, a ne proizvodi išta štetno. Na sto tisuća zahtjeva jednopostotna stopa lažnog odbijanja tisuću je pokvarenih redaka.
• Determinističke ugovorne obveze. Zatražite odgovor po json_schema i dobit ćete JSON koji odgovara shemi, a ne odlomak isprike ondje gdje bi trebao stajati objekt. Vaš raščlanjivač ne treba granu za odbijanja, a vaša logika ponavljanja ne mora razlikovati kvar prijenosa od kvara zbog pravila.
• Pravila su vaša. To je nagodba. Ako vaš proizvod treba zaštitne ograde za vaše krajnje korisnike, gradite ih na svojem sloju, gdje poznajete svoje korisnike i svoju nadležnost, umjesto da naslijedite pružateljeva nagađanja o oboje. Vaš račun i dalje uređuju naša Pravila odgovorne uporabe.

Bez cenzure nije isto što i neusklađen ili neuslužan. Model i dalje slijedi upute i i dalje poštuje sistemsku uputu. Ako želite da za vaše korisnike odbija određene kategorije, recite to ondje — tu je uputu sada na vama napisati, a ne na nama nametnuti.

08Mogućnosti i poštena ograničenja

Dvije mogućnosti nose najveći dio posla u radu s obujmom. Strogi izlaz json_schema dovršetak pretvara u redak baze podataka bez sloja za raščlanjivanje i bez grane za odbijanja. Pozivanje alata u sva tri dijalekta čini Flash razumnim pogonom za jeftine međukorake agenta čiji planer na vrhu radi na jačem modelu. Dodajte reasoning_effort, koji dodatne tokene dopušta trošiti samo na dio prometa kojem trebaju, i kontekst od 262.144 tokena jednak onome na Pro — odabirom jeftine razine ne predajete kontekst, što je neuobičajeno.

Ograničenja su jednako konkretna:

• Nema vida. Flash je samo tekstualan i odbit će slikovne dijelove u poruci. Za slike na modelu bez cenzure po istom dnu od 0,50 $ / 2,00 $, modeli s vidom su MiniMax-M3 i MiMo-V2.5; Kimi-K2.6 i Kimi-K3 jači su modeli s vidom iznad te razine.
• Nije vrh ljestvice. DeepSeekove vlastite brojke stavljaju Pro ispred na svakom objavljenom agentskom mjerilu, uz najširi razmak na dugotrajnom višekoračnom promišljanju o kodu. Ondje gdje jedan pogrešan odgovor stoji više od tisuću jeftinih, potrošite dodatnih 1,45 $ po milijunu na DeepSeek-V4-Pro.
• 16.384 izlazna tokena po zahtjevu. Duga se generiranja moraju dijeliti kroz više poziva. To je isti strop na svakom modelu koji poslužujemo i veže mnogo prije nego kontekstni prozor.

09Kako ga pozvati

Usmjerite bilo kojeg klijenta kompatibilnog s OpenAI-jem na pristupnik i promijenite niz s modelom. Ništa se drugo u vašem slogu ne mora pomaknuti.

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
        }
      }
    }
  }'

Isti id modela radi nepromijenjen na /v1/messages i /v1/responses, što je najbrži način da jeftiniji model A/B-testirate ispod postojeće integracije bez prepisivanja klijenta. Parametri, oblici streaming događaja, sheme za pozivanje alata i ograničenja brzine dokumentirani su u API referenci; svi modeli iz kataloga navedeni su na Shannon Researchu.

10Često postavljana pitanja

---

Izvori: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Tehnički izvještaj o DeepSeeku-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · kartice modela DeepSeek-V4-Flash-0731 i DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Sve brojke o temeljima i mjerilima onakve su kakve su ih objavili njihovi autori; cijene Shannon AI-ja i posluženi kontekst naše su vrijednosti iz cjenika na dan rujna 2026.