DeepSeek API bez cenzure

Ljudi koji dolaze na izraz „DeepSeek API bez cenzure” žele jednu određenu stvar: model s DeepSeekovom sposobnošću promišljanja i programiranja koji odgovara na pitanje koje su doista postavili. Polovica o sposobnosti dobro je dokumentirana — DeepSeek-AI objavio je arhitekturu i brojke, a težine su na Hugging Faceu pod MIT licencom. Druga je polovica operativna odluka i obično je netko donese umjesto vas. Ova stranica pokriva oboje: što je temelj V4-Pro, što mu radi naša 3BIT-REAP izvedba i što točno znači „bez cenzure” kad to kažemo.

01Što „DeepSeek API bez cenzure” zapravo znači

Pod istu se riječ svrstavaju dva različita mehanizma. Prvi je usklađivanje ugrađeno u težine — ponašanje odbijanja naučeno tijekom naknadnog treniranja. Drugi je sloj moderacije na strani posluživanja: zaseban klasifikator koji pregledava vaš prompt prije nego što ga model vidi i izlaz prije nego što ga vi vidite, a odgovor može prekinuti usred rečenice bez obzira na to što je model htio reći.

Oboje je mjerljivo, a DeepSeekova vlastita usluga i izmjerena je. Promptfoo je sastavio skup od 1360 politički osjetljivih pitanja i izvijestio da je DeepSeekov hostirani R1 odbio ili izbjegao njih 1156 — otprilike 85 %. Akademski je rad na istoj obitelji pronašao poseban obrazac zakazivanja koji su autori nazvali potiskivanjem misli, u kojem se modelov trag promišljanja prekida gotovo čim započne na osjetljivoj temi. Zasebna revizija objavljena u časopisu Information Sciences dokumentirala je potiskivanje na semantičkoj razini: sadržaj prisutan u internom promišljanju modela koji se potiho izostavlja ili prepisuje prije nego što stigne do korisnika. To je teži problem od izravnog odbijanja, jer skraćen odgovor izgleda kao odgovor.

Ono što mi pokrećemo izdanje je otvorenih težina, na hardveru kojim upravljamo, u Sjedinjenim Državama, pod tvrtkom Shannon Lab LLC. Ispred modela nema sloja odbijanja niti se na ono što se vrati primjenjuje filtar: vaš se prompt ne klasificira zbog politike prije posluživanja i izlazni se tok ne pregledava na izlasku. Budući da je temelj pod MIT licencom i javan, naše izlaze možete sami usporediti s referentnim težinama umjesto da nam vjerujete na riječ.

02Temelj: DeepSeek-V4-Pro, MoE od 1,6 bilijuna

DeepSeek-V4 aktualna je obitelj otvorenih težina tvrtke DeepSeek-AI, najavljena u travnju 2026. i objavljena pod MIT licencom u dvije veličine: V4-Flash (ukupno 284 milijarde, 13 milijardi aktivirano) i V4-Pro (ukupno 1,6 bilijuna, 49 milijardi aktivirano). Ovaj je članak o Pro razini. Obje su predtrenirane na otprilike 33 bilijuna tokena i obje izvorno podržavaju kontekst od milijun tokena.

Vrijedi zamijetiti omjer rijetkosti: na bilo kojem tokenu okida samo oko 3 % parametara, što uopće i omogućuje posluživanje modela ove veličine. Sam MoE blok i dalje je DeepSeekMoE — fino zrnati usmjereni stručnjaci uz uvijek uključene dijeljene stručnjake, uvedene u V2 — uz tek manje izmjene u V4, od kojih je najuočljivija hash usmjeravanje u najranijim slojevima. Multi-Token Prediction, pomoćni cilj iz V3 koji ujedno omogućuje spekulativno dekodiranje, zadržan je nepromijenjen.

Novi su dijelovi u V4 strukturni. Manifold-Constrained Hyper-Connections (mHC) zamjenjuju običnu rezidualnu putanju naučenom matricom miješanja ograničenom na mnogostrukost dvostruko stohastičkih matrica putem Sinkhorn–Knoppove projekcije — rezidualni tok koji se preteže po ulazu bez numeričkog otklona koji ubija vrlo duboke slagove. Treniranje je s AdamW-a prešlo na Muon za većinu modula, uz Newton–Schulzovu ortogonalizaciju, a AdamW je zadržan samo za ugrađivanja, glave za predviđanje, normalizaciju i statičke mHC parametre. Težine stručnjaka treniraju se u FP4, dok je većina ostalih parametara u FP8 — svjesno kvantizacije od samog početka, što je važno za to koliko model uredno podnosi daljnju kompresiju.

03Od MLA do CSA + HCA: kako DeepSeek drži dug kontekst jeftinim

DeepSeekova nit kroz četiri generacije nije veličina, nego ekonomija pažnje. Svaka je verzija napadala KV predmemoriju, koja raste linearno s kontekstom i na velikim duljinama dominira memorijom.

• V2 je uveo Multi-head Latent Attention (MLA) — nisko-rangovnu zajedničku kompresiju ključeva i vrijednosti u latentni vektor, pa generiranje u predmemoriju sprema taj vektor i odvojeni RoPE ključ umjesto punih K i V po glavi. DeepSeek je izvijestio o padu KV predmemorije na otprilike 4–14 % standardne višeglave pažnje, uz zadržanu ili poboljšanu kvalitetu.
• V3 je to skalirao na 671 milijardu, čime je MLA postao zadana pretpostavka za jeftin dug kontekst u otvorenim modelima.
• V3.2 je dodao DeepSeek Sparse Attention (DSA), koji putem lakog indeksera po upitu bira top-k podskup povijesti umjesto da obraća pažnju na sve.
• V4 hibridizira. Compressed Sparse Attention (CSA) najprije komprimira KV unose svakih m tokena u jedan unos s naučenim težinama, a zatim nad tim komprimiranim unosima provodi rijetki top-k odabir. Heavily Compressed Attention (HCA) komprimira znatno agresivnije, ali nad rezultatom ostaje gusta. Te se dvije vrste slojeva izmjenjuju kroz slag, pa jeftin globalni sažetak i precizno lokalno dohvaćanje supostoje.

Prijavljena je dobit pri kontekstu od milijun tokena drastična: V4-Pro treba oko 27 % FLOPS-a za zaključivanje po tokenu i 10 % KV predmemorije u odnosu na V3.2. Zato se zahtjev od 262K ponaša kao običan zahtjev, a ne kao memorijski događaj, i zato brojke za dohvaćanje iz dugog konteksta drže umjesto da se raspadnu iza nekoliko desetaka tisuća tokena.

04Što znači sufiks 3BIT-REAP

Naš id u katalogu završava s 3BIT-REAP, a to opisuje dva neovisna koraka kompresije primijenjena redom.

REAP: obrezivanje stručnjaka, a ne njihovo spajanje

REAP je Router-weighted Expert Activation Pruning, iz Cerebras Researcha — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”, prihvaćen na ICLR 2026. U rijetkom MoE-u usmjerivač ne koristi svoje stručnjake ravnomjerno: dugačak rep bira se rijetko, slabo ili oboje. REAP ocjenjuje svakog stručnjaka kombinirajući vrijednosti usmjerivačkih vrata (koliko se često i koliko snažno bira) s normama aktivacije stručnjaka (koliko njegov izlaz doprinosi), a zatim gubitnike izravno briše.

Teza rada jest da obrezivanje pobjeđuje spajanje: spajanje prosjekom uklanja funkcionalnu specijalizaciju zbog koje se MoE i gradio, dok brisanje stručnjaka do kojih usmjerivač jedva doseže tu specijalizaciju čuva. Na modelima od 20 milijardi do bilijun parametara REAP je nadmašio spajanje i konkurentske metode obrezivanja na generativnim mjerilima, a autori izvještavaju o gotovo bezgubitnim rezultatima na generiranju koda i pozivanju alata pri 50 % obrezanih stručnjaka na Qwen3-Coder-480B i Kimi-K2 — što je upravo profil opterećenja zbog kojeg je ovaj model ovdje.

3-bitne težine: razina kompresije za najveće temelje

Ono što preživi zatim se kvantizira na 3-bitne težine. Tri su bita agresivna i ne pretvaramo se da nisu: kroz cijelu postavu koristimo W8A16 ondje gdje je temelj dovoljno malen da mu stiskanje ne treba, W4A16-AUTOROUND-REAP u sredini, a 3BIT-REAP samo na najvećim temeljima, gdje je to razlika između posluživanja modela i neposluživanja.

Kompromis vrijedi jasno iznijeti: 3-bitni MoE od 1,6 bilijuna nije bitovno istovjetan referentnom izdanju i mali trošak u kvaliteti je stvaran. Zauzvrat dobivate temelj čiji nekomprimirani strop leži daleko iznad svega što udobno stane pri višoj preciznosti — a budući da su V4-ovi stručnjaci ionako trenirani u FP4, model se pod daljnjom kompresijom težina ponaša neuobičajeno dobro. Ako želite DeepSeek izvedbu s blažim zahvatom u preciznost, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP koristi 4-bitne težine sa 16-bitnim aktivacijama i AutoRoundovim naučenim zaokruživanjem, na istom kontekstu od 262K uz 0,50 $ ulaz / 2,00 $ izlaz.

05Promišljanje i regulator reasoning_effort

Naknadno treniranje V4 odvojeno trenira domenske specijaliste — matematiku, programiranje, agente, praćenje uputa — uz SFT nakon kojeg slijedi GRPO, metoda Group Relative Policy Optimization koju je DeepSeek uveo s R1. Ti se specijalisti zatim ujedinjuju u jedan model destilacijom na vlastitoj politici pod obrnutim KL ciljem, pa jedna kontrolna točka istodobno nosi ponašanje specijalističke razine u nekoliko domena umjesto da bude generalist osrednji u svemu.

Objavljeni model izlaže stupnjevane načine razmišljanja umjesto binarne sklopke. Na našem je pristupniku to standardni parametar reasoning_effort, najkorisniji pojedinačni regulator na ovom modelu:

• Low — gotovo izravan odgovor: klasifikacija, izlučivanje, prepisivanje, sve gdje plaćate modelovo znanje, a ne njegovo promišljanje.
• Medium — zadani radni način za pregled koda, otklanjanje pogrešaka i višekoračnu analizu.
• High — dugo promišljanje prije odgovora. Ondje se rješavaju teški problemi i ondje živi vaš račun za izlazne tokene, jer se tokeni promišljanja naplaćuju kao izlaz.

Budući da nema sloja odbijanja, trag promišljanja ne skraćuje se na osjetljivim temama — obrazac potiskivanja misli dokumentiran na vlastitoj usluzi ovdje nema mehanizma kojim bi se pojavio.

06Kod i agentski rad: kako temelj skorira

Ovo su brojke koje je za izdanje V4-Pro objavio sam DeepSeek-AI — nisu naše i nisu mjerene na našoj kvantiziranoj izvedbi. Prikazujemo ih jer su pošten razlog za odabir ovog temelja, i označavamo ih kao proizvođačeve kako biste ih mogli odmjeriti u skladu s tim.

Dvije zaslužuju komentar. SWE-bench Verified s 80,6 % jest rješavanje problema u stvarnim repozitorijima — čitanje nepoznate baze koda, pronalaženje kvara i izrada zakrpe koja prolazi projektove vlastite testove. MRCR na milijun tokena (83,5) jest višekružno dohvaćanje koreferenci na punoj duljini, brojka koja vam govori da tvrdnja o dugom kontekstu nije ukrasna. DeepSeek za model navodi i Codeforces ocjenu od 3206 te 62,0 na CorpusQA pri kontekstu od 1M.

Gornje brojke prijavio je DeepSeek-AI za referentno izdanje DeepSeek-V4-Pro. Naša je 3BIT-REAP izvedba komprimirana varijanta tih težina i nije neovisno mjerena na tim zadacima; referentne rezultate shvatite kao strop temelja, a ne kao mjerenje ove krajnje točke.

07262K konteksta: što doista stane

Referentni je model treniran za milijun tokena. Mi poslužujemo 262.144 — prozor koji dijele svi modeli na pristupniku, pa je zamjena modela izmjena jednog retka i nikad nije nazadovanje u kontekstu. U praksi je 262K iza točke u kojoj kontekst za većinu stvarnog posla predstavlja ograničenje:

Opterećenje	Približno tokena	Stane u 262K?
Srednje velik repozitorij servisa (~50 tis. redaka)	~600K	Ne — birajte module
Jedan podsustav i njegovi testovi	~60–120K	Da, s lakoćom
Potpuni skup RFC-ova za protokol	~150K	Da
Tehnička knjiga od 700 stranica	~250K	Da, blizu granice
Dugo izvođenje agenta, 40+ poteza s alatima	~80–200K	Da

Granica s kojom treba računati jest izlaz: najviše 16.384 tokena po odgovoru. To je dugačak dokument ili podnošljivo velika zakrpa preko više datoteka, ali ne i baza koda. Veliki se poslovi generiranja obavljaju ulančavanjem zahtjeva uz prethodni izlaz vraćen u kontekst — što prozor od 262K čini jeftinim — a ne traženjem jednog golemog dovršetka.

08Cijena i mjesto V4-Pro u postavi

Uz 1,95 $ ulaz / 3,90 $ izlaz po milijunu tokena, V4-Pro je vodeća razina za promišljanje — model za koji posežete kad je problem težak. Kad je tek velik, jeftiniji će modeli na istom prozoru od 262K to obaviti za četvrtinu cijene.

Model bez cenzure	Ulaz / 1M	Izlaz / 1M	Vid	Najbolje za
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ne	Teško promišljanje, kod, agenti
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Ne	Isto podrijetlo, veliki obujam
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ne	Univerzalni radni konj
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Vrhunski multimodalni agenti
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Najjeftiniji vid

Da budemo iskreni o usporedbi koju će ljudi doista napraviti: DeepSeekov je vlastiti API jeftiniji od ovoga — njihov V4-Pro naveden je oko 0,435 $ na ulazu / 0,87 $ na izlazu, a cijena ulaza s pogotkom u predmemoriji još je niža. Ako vam je cijena po tokenu jedini kriterij i ponašanje moderacije ne utječe na vaš posao, koristite njihov API; radije ćemo vam to reći nego da otkrijete kasnije. Nadoplata kupuje drukčiji skup svojstava: bez sloja odbijanja i bez filtra izlaza, američkog operatera pod tvrtkom Shannon Lab LLC, pribadanu datiranu kontrolnu točku (0813) pa tiha nadogradnja uzvodno nikad ne mijenja vaše izlaze usred projekta, tri API dijalekta prema jednom modelu te isti prozor od 262K i istu površinu parametara na svih dvanaest modela u postavi.

09Kako ga pozvati: tri dijalekta, jedan model

Svaki model na pristupniku odgovara na sve tri krajnje točke, sa streamingom na svakoj. Ne usvajate novi SDK — mijenjate osnovni URL i id modela.

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 — OpenAI dijalekt; radi s OpenAI SDK-ovima i svime što je na njima izgrađeno.
• /v1/messages — Anthropicov dijalekt, za baze koda već napisane prema tom obliku.
• /v1/responses — sučelje u stilu Responsesa.

Na ovom su modelu podržani: streaming, izvorno pozivanje alata, strogi strukturirani izlaz json_schema, response_format i reasoning_effort. Potpuni popis parametara i živi playground nalaze se u dokumentaciji API-ja.

10Poštena ograničenja

Četiri stvari koje treba znati prije nego što na njemu gradite:

• Bez vida. Samo tekst; slikovni ulaz neće primiti ni na jednoj krajnjoj točki. Ako trebate model bez cenzure koji vidi, koristite Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ili inkling.
• Gornja granica izlaza od 16.384 tokena. Pri visokoj razini promišljanja tokeni promišljanja ulaze u tu granicu, pa dugo razmatranje ostavlja manje mjesta za odgovor. Za velike poslove generiranja ulančavajte zahtjeve.
• Tri bita stvarna su kompresija. Referentni rezultati opisuju temelj, a ne ovu izvedbu. Za razinu najveće vjernosti, modeli s W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) nose najmanje kvantizacije.
• Bez cenzure ne znači bez posljedica. Nepostojanje sloja odbijanja znači da odgovornost za ono što pitate i za ono što činite s odgovorom leži na vama — prema našim uvjetima pružanja usluge i zakonu ondje gdje djelujete.

11Često postavljana pitanja

---

Izvori: DeepSeek-AI — kartica modela DeepSeek-V4-Pro · Tehnički izvještaj DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Tehnički izvještaj DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfoova revizija cenzure · Discovering Forbidden Topics in Language Models. Brojke s mjerila prijavio je DeepSeek-AI za referentno izdanje; neovisna provjera komprimirane izvedbe od treće strane još je u tijeku. Cijene su Shannon AI cjenovne stavke na dan 5. rujna 2026.