Cenzúrázatlan DeepSeek Flash API

A legtöbb csapat, amely LLM API-t értékel ki, rossz változót optimalizál. A húsz legnehezebb promptra mér, amit ki tud találni, kiválasztja a győztest, aztán hat héttel később rájön, hogy a forgalmának kilencvenöt százaléka rövid, strukturált, ismétlődő munka, amelyet egy negyedannyiba kerülő modell ugyanígy elintézett volna. A DeepSeek-V4-Flash ezért a kilencvenöt százalékért létezik. Ez az oldal arról szól, hogyan tudja, mikor van benne — és mikor nincs.

01Mit kap valójában

Tulajdonság	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Modellazonosító	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontextus / max. kimenet	262 144 token / 16 384 token
Ár 1M-enként (be / ki)	$0.50 / $2.00
Streamelés · eszközhívás · gondolkodás	Igen — mindhárom dialektuson
Strukturált kimenet	json_schema és response_format
Képi bemenet (képfeldolgozás)	Nem — csak szöveg
Elutasítási réteg / kimeneti szűrő	Nincs
Kiszolgálás helye	A Shannon saját GPU-fürtje

Három API-dialektus éri el ugyanazokat a súlyokat: /v1/chat/completions (OpenAI-alakú), /v1/messages (Anthropic-alakú) és /v1/responses. A streamelés mindhármon működik. A teljes paraméterreferencia az API-dokumentációban található.

02Honnan származik: a DeepSeek felmenői

A DeepSeek-AI öt modellnemzedéket töltött egyetlen rögeszmével: hogyan hozzon ki élvonalbeli viselkedést olyan modellből, amelyet olcsó kiszolgálni, nem pusztán olcsó tanítani. A vonal szinte minden architekturális döntése erre vezethető vissza, és a fontosak közzé is vannak téve. Három megmagyarázza, mit hív, amikor ezt a végpontot üti meg.

DeepSeekMoE — finomszemcsés szakértők plusz egy megosztott

Egy szakértőkeverékes réteg egyetlen nagy előrecsatolt hálózatot vált ki sok kisebbel és egy útválasztóval, amely tokenenként néhányat kiválaszt. A DeepSeek változata finomabbra szeleteli a szakértőket a hagyományos nyolcszakértős elrendezésnél, így ugyanaz az aktivált FLOP-mennyiség sokkal kombinatorikusabban specifikus keveréket vásárol, és elkülönít egy megosztott szakértőt, amelyen minden token áthalad, így a közös tudást nem kell minden specialistán belül feleslegesen újratanulni. A DeepSeek-V3 ezt 256 útvonalazott szakértővel plusz 1 megosztott szakértővel, tokenenként 8 útvonalazott aktiválásával szállította — 671 milliárd összparaméter, 37 milliárd aktív — az segédveszteség nélküli terheléskiegyenlítéssel együtt: a minőséget rontó büntetőtag helyett egy szakértőnkénti eltolás lépésenként fel- vagy lehúzza az útvonalazási pontszámokat, ahogy az adott szakértő alul- vagy túlterhelt.

MLA — figyelem, ami elfér a memóriában

A kiszolgálási költség problémájának másik fele a KV-gyorsítótár, amely a kontextussal lineárisan nő, és hosszú szekvenciahosszokon uralja a memóriát. A Multi-head Latent Attention, amelyet a DeepSeek-V2 vezetett be, a kulcsokat és értékeket együtt tömöríti alacsony rangú látens vektorrá, és azt gyorsítótárazza, menet közben rekonstruálva a használható K/V-t. A DeepSeek közzétett V2-es adatai a korábbi, sűrű DeepSeek 67B-hez képest 93,3%-os KV-gyorsítótár-csökkenést és 5,76× nagyobb maximális generálási átbocsátóképességet mutatnak. Ezért alapkövetelmény ebben a családban egy 262K tokenes ablak, nem pedig felárasan hozzávehető extra.

Ritka figyelem — és az olcsó tokenek előzménye

A V3.2-Exp hozzáadta a DeepSeek Sparse Attention megoldást: egy könnyűsúlyú indexelő a lekérdezéssel szemben pontozza a kontextustokeneket, egy szelektor pedig csak a legmagasabb pontszámúakat tartja meg. Az érdekes rész a nyugta, nem a mechanizmus. A DeepSeek közzétett egy párhuzamos összevetést a V3.1-Terminusszal: az MMLU-Pro azonos 85,0-en, az AIME 2025 feljebb (88,4 → 89,3), a SWE-bench Verified minimálisan lejjebb (68,4 → 67,8) — lényegében változatlan minőség —, és ugyanaznap több mint 50%-kal csökkentették az API-áraikat. Az architektúra, őszintén közölve, közvetlenül árrá váltva. A Flash ugyanez az érv, egy lépéssel tovább víve.

A V4 nemzedék

A V4, amelyet 2026 áprilisában mutattak be MIT-licenc alatt, ismét lecseréli a figyelmi felépítést a Compressed Sparse Attention és a Heavily Compressed Attention hibridjére, a Muon optimalizálóval tanul több mint 32 billió tokenen, és megtartja a V3 több tokenes előrejelzési célfüggvényét — amely spekulatív dekódolásként is szolgál, és amelyet a DeepSeek 85–90%-os második tokenes elfogadási aránnyal mért, nagyjából 1,8× dekódolási gyorsulást adva a V3-ban. A V4 kivonata szerint a V4-Pro a V3.2 egytokenes következtetési FLOP-jainak 27%-án és KV-gyorsítótárának 10%-án fut. A család három gondolkodásierőfeszítés-szintet kínál, és a mi reasoning_effort paraméterünk ezekre képez le.

Források: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 technikai jelentés (arXiv 2412.19437) · DeepSeek-V3.2-Exp modellkártya · DeepSeek-V4 (arXiv 2606.19348). Minden számot a DeepSeek közölt.

03Mit jelent valójában a „Flash”

A legtöbb összehasonlítás pont ezt rontja el, ezért érdemes kereken kimondani: a DeepSeek Flash nem kvantált, metszett vagy desztillált Pro. Külön tanított, kisebb szakértőkeverékes modell, saját előtanítási futással. A V4 előzetes cikke megadja a két méretet:

A számok a DeepSeek-V4 előzetes cikkéből származnak. Az általunk kiszolgált hivatalos ellenőrzőpontok — V4-Flash-0731 és V4-Pro-0813 — a modellkártyáikon kicsit nagyobb, 304 milliárdos, illetve 1,7 billiós összértéket adnak meg; a DeepSeek ezekre a buildekre nem közli újra az aktivált paraméterszámot.

Két szám végzi itt a munkát. Az összparaméterszám adja a memórialábnyomot, ami eldönti, mennyi hardvert foglal el a modell egy példánya. Az aktivált paraméterszám adja a tokenenkénti aritmetikát, ami az átbocsátóképességet dönti el. A Flash az elsőben nagyjából 5,6×, a másodikban 3,8× kisebb — és ebben a résben van egy figyelemre méltó finomság: a Flash 284 milliárdból 13 milliárd paramétert aktivál, ez körülbelül 4,6%, míg a Pro 1600 milliárdból 49 milliárdot, ez nagyjából 3,1%. A Flash a kevésbé ritka modell. Nem egyszerűen egy Pro kevesebb bekapcsolt szakértővel; sűrűbb, másképp kiegyensúlyozott felépítés, amely önmagának nagyobb hányadát költi minden egyes előállított tokenre. Ez valódi mérnöki döntés, nem visszalépés.

Mit mondanak a DeepSeek saját számai

Mindkét hivatalos modellkártya ugyanazokon az ügynöki és szoftverfejlesztési benchmarkokon közöl pontszámokat, ami szokatlanul tiszta összehasonlítást tesz lehetővé — ugyanaz a labor, ugyanaz a kiértékelési keret, két méret:

Benchmark (DeepSeek-közlésű)	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

A Pro minden sort megnyer. Ez az őszinte főcím, és inkább itt olvassa el, mint hogy éles üzemben fedezze fel. De olvassa el a különbségeket is, mert valójában azokat vásárolja meg. A Terminal Bench 2.1-en a rés 5,2 pont egy huszonötöd annyi paraméterrel rendelkező modellnél; eszközhasználatban 3,8 pont. A rés ott tágul, ahol a munka a legmélyebb — 8,3 pont a DeepSWE-n, 7,3 az NL2Repón, amelyek mindegyike a kitartó, többlépéses kódgondolkodást jutalmazza. Ez a csere alakja egyetlen táblázatban: a Flash a korlátozott feladatokon a távolság nagy részét behozza, a nyitott végűeken pedig teret veszít.

A DeepSeek saját Flash-kártyája még élesebben fogalmaz: a Flash-0731 a felsorolt benchmarkokon felülmúlja a V4-Pro előzetesét, jóval kisebb aktivált paraméterszáma ellenére. Az, hogy egy újabb kis modell megver egy régebbi nagyot, ezen a területen normális állapot, és éppen ezért nem szabad, hogy a „nagyobb szint” legyen az alapértelmezett válasza.

04Az utótag olvasása: W4A16-AUTOROUND-REAP

A modellazonosítóink hangosan kimondják a tömörítési sémájukat, mert ez az, ami leginkább befolyásolja a kimenet minőségét, és amit szinte senki nem közöl. Ez az utótag három állításra bomlik.

W4A16 — 4 bites súlyok, 16 bites aktivációk

A súlyokat 4 biten tároljuk; az aktivációk 16 bites pontossággal áramlanak. Ez csak súly-kvantálás, és a tokengenerálás valódi szűk keresztmetszetét célozza, ami a memóriasávszélesség, nem az aritmetika. Az aktivációk kvantálása is vásárolna még egy kis sebességet, cserébe sokkal nagyobb pontosságzuhanást kockáztatva; a 16 biten hagyásuk a konzervatív, nagy hűségű választás. A jelölés a kiszolgálói ökoszisztéma rövidítése — a kvantálási szakirodalom ugyanezt W4-ként írja egy csoportmérettel.

AUTOROUND — tanult kerekítés, nem legközelebbire kerekítés

A naiv kvantálás minden súlyt a legközelebbi ábrázolható értékre kerekít. Ez bizonyíthatóan nem optimális: egyetlen súly „rossz” irányba kerekítése kiolthatja a szomszédai által bevitt hibát, és milliárdnyi súly mellett ezek a kölcsönhatások uralják a képet. Az Intel AutoRound megoldása magát a kerekítési döntést kezeli megtanulandó dologként — egy tanítható, súlyonkénti perturbációval, amelyet ±0,5-re korlátoz, ami pontosan elég bármelyik egyedi kerekítési döntés megfordításához és soha nem több, plusz tanulható vágási tartományokkal, amelyeket előjeles gradiensereszkedéssel optimalizál egy blokkonkénti kimenet-rekonstrukciós célfüggvényre, egy kis kalibrációs halmazon. Kétszáz lépés, és kész.

Az Intel közzétett összehasonlításaiban az AutoRound 4 bites, csak súlyt érintő beállításokon 32-ből 30 vizsgált forgatókönyvben veri a GPTQ-t, 32-ből 27-ben az AWQ-t és 32-ből 29-ben az OmniQuantot, a naiv legközelebbire kerekítéshez képest pedig 2 biten 6,9-től 33,2 pontig terjedő pontosságnyereséggel. Mindez semmibe nem kerül következtetési időben: ez csupán a számok jobb megválasztása, egyszer, offline elvégezve.

REAP — olyan szakértők eldobása, akikhez senki nem irányít

A REAP (Router-weighted Expert Activation Pruning) a Cerebras Systems és a University of Calgary egylépéses tömörítése MoE-modellekhez. Minden szakértőt aszerint pontoz, hogy az útválasztó milyen erősen és milyen gyakran kapuz hozzá, megszorozva az adott szakértő kimenetének nagyságával, majd a legkevésbé lényeges szakértőket egyszerűen törli — utána nincs újratanítás.

A cikk központi megállapítása a hasznos: magas tömörítési arányoknál a szakértők metszése veri az összeolvasztásukat. A funkcionálisan eltérő szakértők összeolvasztása azt okozza, amit a szerzők funkcionális altér-összeomlásnak neveznek — az útválasztó elveszíti azt a finomszemcsés, bemenetfüggő vezérlést, amiért a MoE-t érdemes volt megépíteni, és statikus átlagok között kormányozhat csak. A számaik a 20 milliárdtól 1 billióig terjedő modelleken: 25%-os szakértőtömörítésnél kódolási feladatokon a REAP 2,8% átlagos pontosságot veszít, ahol az összeolvasztó alapvonalak 5%-nál többet; 50%-nál a REAP 8,0%-ot veszít, ahol az összeolvasztás 20%-nál többet. A Qwen3-Coder-480B modellen 50%-os metszés mellett az esés 1,4%, szemben a naiv gyakoriságalapú metszés 39,3%-ával. A Cerebras a DeepSeek vonalhoz is közzétett REAP-ellenőrzőpontokat, mások mellett.

Miért 4 bit itt és 3 bit a Prón

Mindkét szintnek el kell férnie és gyorsnak kell maradnia ugyanazon a hardverosztályon. A Pro 1,7 billió paramétert visz, tehát az agresszívebb 3 bites kezelésre van szüksége ahhoz, hogy egyáltalán elférjen. A Flash nagyjából 300 milliárdot visz, tehát nincs — és a megspórolt bitet nem a beférésre, hanem a hűségre költi.

Ez az egy plusz bit többet számít, mint amennyit az aritmetikája sugall, mert a kvantálási kár nem lineáris. Az AWQ-cikk WikiText-2 méréseiben a Llama-2-7B FP16-on 5,47 perplexitásról 4 biten 5,60-ra megy — ez 2,4%-os büntetés —, viszont 3 biten 6,24-re, ami 14%-os büntetés. Ez nagyjából hatszoros romlás 25%-kal több tömörítésért, és ugyanez a minta érvényes 70 milliárdnál is. A GPTQ-cikk még nyersebb: 3 biten a naiv legközelebbire kerekítés összeomlik a 175 milliárdos osztályú modelleken, több ezres perplexitásba, miközben 4 biten tökéletesen használható marad. Négy bit alatt egy jó kvantálási algoritmus megszűnik kellemes ráadás lenni, és azzá válik, ami egyedül összetartja a modellt.

Tehát e két utótag őszinte olvasata: a Flash közelebb áll a saját tömörítetlen önmagához, mint a Pro a magáéhoz. A Pro továbbra is az erősebb modell — ezt a fenti benchmarktáblázat eldönti. Csak többet adott fel azért, hogy idejusson, és ezért a kiváltságért Ön fizet.

Források: 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. A perplexitásértékek az AWQ (arXiv 2306.00978) és a GPTQ (arXiv 2210.17323) cikkeiből származnak.

05Flash kontra Pro a végponton

A 03. szakasz az alapmodellekről szólt. Így néz ki a két szint termékként a mi átjárónkon:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantálás	W4A16-AUTOROUND-REAP	3BIT-REAP
Súlypontosság	4 bit, tanult kerekítés	3 bit
Alapmodell (össz / aktív)	~304B / 13B	~1.7T / 49B
Bemenet 1M tokenenként	$0.50	$1.95
Kimenet 1M tokenenként	$2.00	$3.90
Kontextus / max. kimenet	262 144 / 16 384	262 144 / 16 384
Eszközök · strukturált kimenet · streamelés	Igen	Igen
Képfeldolgozás	Nem	Nem
Elutasítási réteg	Nincs	Nincs

Vegye észre, mi nem változik: a kontextus, a kimeneti plafon, az eszközhívás, a strukturált kimenet és az elutasítási réteg hiánya azonos. Csak az alapmodell, a kvantálás és az ár mozdul. Ettől lesz a kettő közötti váltás egyetlen sztring cseréje a kódjában, és tisztán gazdasági döntés az architektúrájában.

Mibe kerül egyetlen maximális méretű hívás

Töltse fel a teljes, 262 144 tokenes kontextust, és vegye ki a teljes, 16 384 tokenes kimenetet:

Listaáron. Flash: 0,131 $ bemenet + 0,033 $ kimenet. Pro: 0,511 $ + 0,064 $. Az arány 3,51×. A Flash a 0,50 $ / 2,00 $ alsó áron osztozik a MiniMax-M3, a Laguna-S-2.1, a MiMo-V2.5, a MiMo-V2.5-Pro és a Hy3 modellekkel — a teljes katalógusban nézze meg, miben térnek el képfeldolgozásban és strukturált kimenetben.

06A volumen matematikája, kidolgozva

A „3,9× olcsóbb” csak a bemenetre igaz. Kimenetre a Flash 1,95× olcsóbb. A valódi megtakarítása tehát a bemenet-kimenet arányától függ, és a szórás elég nagy ahhoz, hogy tervezési döntéseket változtasson meg. Négy valósághű munkaterhelés, mindegyik 100 000 kéréssel:

Munkaterhelés	Be / ki hívásonként	Flash	Pro	Megtakarítás
Hibajegy-osztályozás	1,200 / 120	$84	$281	3.3×
RAG-alapú kérdésmegválaszolás	8,000 / 600	$520	$1,794	3.4×
Hosszú dokumentum összefoglalása	60,000 / 1,500	$3,300	$12,285	3.7×
Szintetikusadat-generálás	500 / 2,000	$425	$878	2.1×

A minta: minél több kontextust tol be és minél kevesebb szöveget generál, annál többet spórol a Flashsel. A visszakereső folyamatok, a dokumentumszűrés, a napló- és átiratelemzés, valamint a hosszú kontextusú kinyerés az édes pont — ezek nagyságrenddel bemenetdominánsak, a bemeneten pedig ott lakik a 3,9× kedvezmény. Ha ehelyett a munkaterhelése egy rövid prompt, amely több ezer token prózát állít elő, a rés nagyjából 2×-ra szűkül, és a Pro melletti képességbeli érv ennek megfelelően erősödik.

Még egy elsajátítandó számítás: 0,50 $ millió bemeneti tokenenkénti áron a teljes, 262 144 tokenes ablak feltöltése 13,1 centbe kerül. A hosszú kontextusú promptolás ezen az áron megszűnik költségvetési kérdés lenni, ami néha azt jelenti, hogy a visszakereső réteg megépítését egyáltalán kihagyhatja, és hagyhatja, hogy a kontextusablak végezze el a munkát — mérnöki megtakarítás a tokenmegtakarítás tetején.

07Mit jelent itt pontosan a „cenzúrázatlan”

A szót lazán használják, ezért itt a mi definíciónk, a végpont tulajdonságaként megfogalmazva: nincs elutasítási osztályozó a modell előtt, és a kimenetére nem alkalmazunk tartalomszűrést. Semmi nem fogja el a promptot, hogy konzervdobozos elutasítást adjon vissza; semmi nem vizsgálja át és cenzúrázza a kiegészítést. Nagy volumenű éles munkánál ennek a következményei kevésbé drámaiak és hasznosabbak, mint amit a szó sugall:

• Nincsenek téves riasztások az ártalmatlan forgalmon. A szűrt végpontok rutinszerűen utasítanak el orvosi összefoglalókat, biztonsági elemzéseket, jogi iratfeltárást, szépirodalmat, ártalomcsökkentő anyagokat és magát a moderálási munkát is — pontosan azokat a kategóriákat, ahol egy kötegelt feladat érzékeny témáról szóló szöveget dolgoz fel, nem pedig bármi károsat állít elő. Százezer kérésnél egy egyszázalékos téves elutasítási arány ezer elrontott sort jelent.
• Determinisztikus szerződések. Kérjen json_schema választ, és a sémának megfelelő JSON-t kap, nem egy bekezdésnyi bocsánatkérést ott, ahol egy objektumnak kellene lennie. Az elemzőjének nem kell elutasítási ág, az újrapróbálkozási logikájának pedig nem kell megkülönböztetnie egy átviteli hibát egy szabályzatitól.
• A szabályzat az Öné. Ez a csere. Ha a termékének védőkorlátok kellenek a végfelhasználói számára, azokat a saját rétegében építi meg, ahol ismeri a felhasználóit és a joghatóságát, ahelyett hogy egy szolgáltató mindkettőre vonatkozó találgatásait örökölné. A fiókjára továbbra is a Felelős használati szabályzatunk vonatkozik.

A cenzúrázatlan nem ugyanaz, mint az illesztetlen vagy a segítőkészség nélküli. A modell továbbra is követi az utasításokat, és továbbra is tiszteletben tartja a rendszerpromptot. Ha azt szeretné, hogy bizonyos kategóriákat elutasítson az Ön felhasználói felé, ott mondja meg — ez az utasítás mostantól az Öné megírni, nem a miénk ráerőltetni.

08Képességek és őszinte korlátok

Két képesség viszi a volumenmunka terhének nagy részét. A szigorú json_schema kimenet a kiegészítést adatbázissorrá alakítja elemző réteg és elutasítási ág nélkül. Az eszközhívás mindhárom dialektuson a Flasht értelmes motorrá teszi egy olyan ügynök olcsó részlépéseihez, amelynek a legfelső szintű tervezője erősebb modellen fut. Adja hozzá a reasoning_effort paramétert, amellyel csak a forgalom azon töredékére költ extra tokeneket, amelynek szüksége van rá, valamint egy a Próéval azonos, 262 144 tokenes kontextust — az olcsó szint választásával nem mond le a kontextusról, ami szokatlan.

A korlátok ugyanilyen konkrétak:

• Nincs képfeldolgozás. A Flash csak szöveges, és elutasítja a képrészeket egy üzenetben. Ha ugyanezen a 0,50 $ / 2,00 $ alsó áron cenzúrázatlan modellen szeretne képeket feldolgozni, a MiniMax-M3 és a MiMo-V2.5 a látni képes lehetőségek; a Kimi-K2.6 és a Kimi-K3 erősebb látó modellek e szint felett.
• Nem a létra teteje. A DeepSeek saját számai a Prót teszik előbbre minden közzétett ügynöki benchmarkon, a legnagyobb réssel a kitartó, többlépéses kódgondolkodásban. Ahol egyetlen rossz válasz többe kerül, mint ezer olcsó, ott költse a plusz 1,45 $-t millió tokenenként a DeepSeek-V4-Prora.
• Kérésenként 16 384 kimeneti token. A hosszú generálásokat hívásokra kell darabolni. Ez ugyanaz a plafon minden általunk kiszolgált modellen, és jóval a kontextusablak előtt köt.

09A meghívása

Irányítson bármilyen OpenAI-kompatibilis klienst az átjáróra, és cserélje ki a modellsztringet. A készletében semmi másnak nem kell megmozdulnia.

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
        }
      }
    }
  }'

Ugyanez a modellazonosító változatlanul működik a /v1/messages és a /v1/responses végponton, ami a leggyorsabb módja annak, hogy egy meglévő integráció alatt A/B-teszteljen egy olcsóbb modellt a kliens átírása nélkül. A paraméterek, a streamelési eseményalakok, az eszközhívási sémák és a sebességkorlátok az API-referenciában vannak dokumentálva; a katalógus minden modellje a Shannon Research oldalon szerepel.

10Gyakori kérdések

---

Források: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 technikai jelentés (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731 és DeepSeek-V4-Pro-0813 modellkártyák · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Minden alapmodell- és benchmarkszám a szerzőik közlése szerinti; a Shannon AI árai és kiszolgált kontextusa a mi 2026. szeptemberi listaértékeink.