A cenzúrázatlan DeepSeek API

Aki a „cenzúrázatlan DeepSeek API” kifejezésre érkezik, egyetlen konkrét dolgot akar: olyan modellt, amely a DeepSeek gondolkodási és kódolási képességével rendelkezik, és arra a kérdésre válaszol, amelyet valóban feltett. A képességi fél jól dokumentált — a DeepSeek-AI közzétette az architektúrát és a számokat, a súlyok pedig MIT-licenc alatt elérhetők a Hugging Face-en. A másik fél üzemeltetői döntés, és rendszerint Ön helyett hozzák meg. Ez az oldal mindkettőt lefedi: mi a V4-Pro alapmodell, mit tesz vele a mi 3BIT-REAP buildünk, és pontosan mit jelent nálunk a „cenzúrázatlan”.

01Mit jelent valójában a „cenzúrázatlan DeepSeek API”

Két különböző mechanizmust sorolnak ugyanaz alá a szó alá. Az első a súlyokba sütött alignment — az utótanítás során megtanult elutasítási viselkedés. A második a kiszolgálóoldali moderálási réteg: egy külön osztályozó, amely megvizsgálja a promptot, mielőtt a modell látná, és a kimenetet, mielőtt Ön látná, és mondat közepén elvághatja a választ, függetlenül attól, mit akart volna mondani a modell.

Mindkettő mérhető, és a DeepSeek saját szolgáltatását meg is mérték. A Promptfoo összeállított egy 1360 promptból álló, politikailag érzékeny kérdéssorozatot, és arról számolt be, hogy a DeepSeek üzemeltetett R1 modellje 1156-ot utasított el vagy tért ki előle — nagyjából 85%-ot. Ugyanezen a családon végzett akadémiai munka külön hibamódot talált, amelyet a szerzők gondolatelnyomásnak neveztek: a modell gondolkodási nyoma szinte azonnal véget ér, amint érzékeny témába kezd. Az Information Sciences folyóiratban megjelent külön audit szemantikai szintű elnyomást dokumentált: a modell belső gondolkodásában jelen lévő tartalmat csendben kihagyják vagy átírják, mielőtt eljutna a felhasználóhoz. Ez nehezebb probléma, mint a nyílt elutasítás, mert a megcsonkított válasz válasznak látszik.

Mi a nyílt súlyú kiadást futtatjuk, általunk üzemeltetett hardveren, az Egyesült Államokban, a Shannon Lab LLC keretében. Nincs elutasítási réteg a modell előtt, és nincs szűrő azon, ami visszajön: a promptját nem osztályozzuk szabályzat szempontjából a kiszolgálás előtt, és a kimeneti adatfolyamot sem vizsgáljuk kifelé menet. Mivel az alapmodell MIT-licencű és nyilvános, saját maga összevetheti a kimeneteinket a referenciasúlyokkal ahelyett, hogy a szavunkat kellene adnia.

02Az alap: DeepSeek-V4-Pro, egy 1,6 billiós MoE

A DeepSeek-V4 a DeepSeek-AI jelenlegi nyílt súlyú modellcsaládja, amelyet 2026 áprilisában mutattak be, és MIT-licenc alatt két méretben adtak ki: V4-Flash (284 milliárd összesen, 13 milliárd aktivált) és V4-Pro (1,6 billió összesen, 49 milliárd aktivált). Ez a cikk a Pro szintről szól. Mindkettőt nagyjából 33 billió tokenen tanították elő, és mindkettő natívan támogat egymillió tokenes kontextust.

A ritkasági arány az, amit érdemes észrevenni: egy adott tokennél a paramétereknek csak nagyjából 3%-a aktiválódik, és ez teszi egyáltalán kiszolgálhatóvá az ekkora modellt. Maga a MoE-blokk továbbra is DeepSeekMoE — a V2-ben bevezetett finomszemcsés, útvonalazott szakértők plusz a mindig aktív megosztott szakértők —, csak apróbb V4-es változtatásokkal, amelyek közül a legszembetűnőbb a hash-alapú útvonalazás a legkorábbi rétegekben. A Multi-Token Prediction, a V3 kiegészítő célfüggvénye, amely a spekulatív dekódolást is lehetővé teszi, változatlanul megmaradt.

A V4 új elemei szerkezetiek. A Manifold-Constrained Hyper-Connections (mHC) a sima reziduális utat egy tanult keverőmátrixszal váltja ki, amelyet Sinkhorn–Knopp-projekcióval a kétszeresen sztochasztikus mátrixok sokaságára kényszerítenek — olyan reziduális folyam, amely bemenetenként újrasúlyoz anélkül, hogy fellépne az a numerikus elcsúszás, amely a nagyon mély rétegtornyokat megöli. A tanítás a legtöbb modul esetében az AdamW-ről a Muonra költözött, Newton–Schulz-ortogonalizációval, az AdamW-t pedig csak a beágyazásoknál, az előrejelző fejeknél, a normalizálásnál és a statikus mHC-paramétereknél tartották meg. A szakértősúlyokat pedig FP4-ben tanítják, a legtöbb más paramétert FP8-ban — kvantálástudatosan a kezdetektől, ami számít abban, milyen jól viseli a modell a további tömörítést.

03Az MLA-tól a CSA + HCA felé: hogyan tartja olcsón a DeepSeek a hosszú kontextust

A DeepSeek négy generáción átívelő vezérfonala nem a méret, hanem a figyelem gazdaságtana. Minden verzió a KV-gyorsítótárat támadta, amely a kontextussal lineárisan nő, és hosszú hosszakon uralja a memóriát.

• A V2 vezette be a Multi-head Latent Attentiont (MLA) — a kulcsok és értékek alacsony rangú együttes tömörítését egyetlen látens vektorrá, így a generálás ezt a vektort plusz egy leválasztott RoPE-kulcsot gyorsítótáraz a teljes fejenkénti K és V helyett. A DeepSeek arról számolt be, hogy a KV-gyorsítótár a standard többfejű figyelem nagyjából 4–14%-ára csökkent, miközben a minőség megmaradt vagy javult.
• A V3 ezt 671 milliárdra skálázta, és az MLA-t tette a nyílt modellek olcsó hosszú kontextusának alapfeltevésévé.
• A V3.2 hozzáadta a DeepSeek Sparse Attentiont (DSA), amely lekérdezésenként egy top-k részhalmazt választ ki az előzményből egy könnyűsúlyú indexelőn keresztül, ahelyett hogy mindenre figyelne.
• A V4 hibridizál. A Compressed Sparse Attention (CSA) először minden m token KV-bejegyzéseit egyetlen bejegyzésbe tömöríti tanult súlyokkal, majd ritka top-k kiválasztást futtat ezeken a tömörített bejegyzéseken. A Heavily Compressed Attention (HCA) sokkal agresszívebben tömörít, de az eredményen sűrű marad. A két rétegtípus váltakozva helyezkedik el a rétegtoronyban, így az olcsó globális összefoglaló és a pontos lokális visszakeresés együtt él.

A jelentett nyereség egymillió tokenes kontextusnál kirívó: a V4-Pro a V3.2 tokenenkénti következtetési FLOP-jainak nagyjából 27%-át és a KV-gyorsítótárának 10%-át igényli. Ezért viselkedik egy 262K-s kérés normál kérésként, nem memóriaeseményként, és ezért tartják magukat a hosszú kontextusú visszakeresési számok ahelyett, hogy néhány tízezer token után összeomlanának.

04Mit jelent a 3BIT-REAP utótag

A katalógus-azonosítónk 3BIT-REAP-re végződik, és ez két, egymástól független, sorrendben alkalmazott tömörítési lépést ír le.

REAP: szakértők metszése, nem összeolvasztása

A REAP a Router-weighted Expert Activation Pruning a Cerebras Research műhelyéből — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”, elfogadva az ICLR 2026-ra. Egy ritka MoE-ben az útválasztó nem egyenletesen használja a szakértőit: egy hosszú farok ritkán, gyengén vagy mindkettőképpen kerül kiválasztásra. A REAP minden szakértőt az útválasztó kapuértékeinek (milyen gyakran és milyen erősen választják) és a szakértő aktivációs normáinak (mennyivel járul hozzá a kimenete) kombinálásával pontoz, majd a vesztesekét egyszerűen törli.

A cikk érve az, hogy a metszés veri az összeolvasztást: az összeolvasztás kiátlagolja azt a funkcionális specializációt, amiért a MoE-t egyáltalán érdemes volt megépíteni, míg azoknak a szakértőknek a törlése, amelyeket az útválasztó alig ér el, megőrzi azt. A 20 milliárdtól 1 billióig terjedő modelleken a REAP felülmúlta az összeolvasztást és a konkurens metszési módszereket a generatív benchmarkokon, a szerzők pedig gyakorlatilag veszteségmentes eredményekről számolnak be kódgenerálásban és eszközhívásban 50%-os szakértőmetszés mellett a Qwen3-Coder-480B és a Kimi-K2 modelleken — és pontosan ez az a munkaterhelési profil, amiért ez a modell itt van.

3 bites súlyok: a legnagyobb alapmodellek tömörítési szintje

Ami megmarad, azt aztán 3 bites súlyokra kvantáljuk. A három bit agresszív, és nem is állítjuk az ellenkezőjét: a kínálatban W8A16-ot használunk ott, ahol az alapmodell elég kicsi ahhoz, hogy ne legyen szüksége a szorításra, W4A16-AUTOROUND-REAP-et középen, és 3BIT-REAP-et csak a legnagyobb alapmodelleknél, ahol ez a különbség aközött, hogy kiszolgáljuk a modellt vagy sem.

A kompromisszumot érdemes nyíltan kimondani: egy 3 bites, 1,6 billiós MoE nem bitre azonos a referenciakiadással, és van egy kis, valós minőségi ára. Amit cserébe kap, az egy olyan alapmodell, amelynek tömörítetlen plafonja messze afölött van, mint bármié, ami magasabb pontossággal kényelmesen elfér — és mivel a V4 szakértőit eleve FP4-ben tanították, a modell szokatlanul jól viseli a további súlytömörítést. Ha könnyedebb pontossági kezelésű DeepSeek buildet szeretne, a DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4 bites súlyokat használ 16 bites aktivációkkal és az AutoRound tanult kerekítésével, ugyanazon a 262K kontextuson, 0,50 $ be / 2,00 $ ki áron.

05Gondolkodás és a reasoning_effort szabályzó

A V4 utótanítása külön tanít területi specialistákat — matematika, kódolás, ügynökök, utasításkövetés — SFT-vel, majd GRPO-val, azzal a Group Relative Policy Optimization módszerrel, amelyet a DeepSeek az R1-gyel vezetett be. Ezeket a specialistákat aztán on-policy desztillációval, fordított KL célfüggvény mellett egyesítik egyetlen modellbe, így egyetlen ellenőrzőpont egyszerre több területen hordoz specialista szintű viselkedést, ahelyett hogy generalista lenne, amely mindegyikben közepes.

A kiadott modell fokozatos gondolkodási módokat kínál, nem bináris kapcsolót. A mi átjárónkon ez a szokásos reasoning_effort paraméter, ennek a modellnek a leghasznosabb gombja:

• Low — közel közvetlen válaszadás: osztályozás, kinyerés, átírás, minden, ahol a modell tudásáért fizet, nem a mérlegeléséért.
• Medium — az alapértelmezett munkamód kódellenőrzéshez, hibakereséshez és többlépcsős elemzéshez.
• High — hosszú mérlegelés a válasz előtt. Itt oldódnak meg a nehéz problémák, és itt lakik a kimeneti tokenszámlája, hiszen a gondolkodási tokeneket kimenetként számlázzuk.

Mivel nincs elutasítási réteg, a gondolkodási nyom nem csonkul meg érzékeny témáknál — a saját szolgáltatáson dokumentált gondolatelnyomási mintának itt nincs mechanizmusa arra, hogy előálljon.

06Kód és ügynöki munka: mit teljesít az alapmodell

Ezek a DeepSeek-AI saját, közzétett számai a V4-Pro kiadáshoz — nem a mieink, és nem a mi kvantált buildünkön mérve. Azért mutatjuk őket, mert őszintén ezek az okok arra, hogy ezt az alapmodellt válassza, és azért jelöljük őket saját közlésűként, hogy ennek megfelelően súlyozhassa őket.

Kettő megérdemel egy megjegyzést. A SWE-bench Verified 80,6%-a valódi repókban való hibamegoldás — egy ismeretlen kódbázis elolvasása, a hiba megtalálása, és olyan javítás előállítása, amely átmegy a projekt saját tesztjein. Az MRCR egymillió tokenen (83,5) többkörös koreferencia-visszakeresés teljes hosszon, az a szám, amely megmondja, hogy a hosszú kontextusra vonatkozó állítás nem díszlet. A DeepSeek emellett 3206-os Codeforces-értékelést közöl a modellhez, és 62,0-t a CorpusQA-n 1M kontextuson.

A fenti számokat a DeepSeek-AI közölte a DeepSeek-V4-Pro referenciakiadáshoz. A mi 3BIT-REAP buildünk ezeknek a súlyoknak tömörített változata, és ezeken a feladatokon nem mérték független módon; a referenciapontszámokat az alapmodell plafonjaként kezelje, ne ennek a végpontnak a mérési eredményeként.

07262K kontextus: mi fér el valójában

A referenciamodellt egymillió tokenre tanították. Mi 262 144-et szolgálunk ki — ez az az ablak, amelyen az átjáró minden modellje osztozik, így a modellváltás egysoros módosítás, és soha nem jelent kontextusvisszalépést. A gyakorlatban a 262K túl van azon a ponton, ahol a legtöbb valós munkánál a kontextus szűk keresztmetszet:

Munkaterhelés	Kb. tokenszám	Elfér 262K-ban?
Közepes méretű szolgáltatásrepó (~50 ezer sor)	~600K	Nem — válasszon modulokat
Egyetlen alrendszer és a tesztjei	~60–120K	Igen, kényelmesen
Egy protokoll teljes RFC-készlete	~150K	Igen
Egy 700 oldalas műszaki könyv	~250K	Igen, a határ közelében
Hosszú ügynökfutás, 40+ eszközkör	~80–200K	Igen

Amivel tervezni kell, az a kimenet: válaszonként legfeljebb 16 384 token. Ez egy hosszú dokumentum vagy egy tekintélyes, több fájlt érintő javítás, de nem egy kódbázis. A nagy generálási feladatokat kérések láncolásával oldjuk meg, az előző kimenetet visszatéve a kontextusba — amit a 262K-s ablak olcsóvá tesz —, nem pedig egyetlen óriási kiegészítés kérésével.

08Ár, és hol áll a V4-Pro a kínálatban

1,95 $ be / 3,90 $ ki millió tokenenként áron a V4-Pro a zászlóshajó gondolkodási szint — az a modell, amelyhez akkor nyúl, ha a feladat nehéz. Ha csak nagy, akkor ugyanazon a 262K-s ablakon futó olcsóbb modellek elvégzik az ár negyedéért.

Cenzúrázatlan modell	Be / 1M	Ki / 1M	Képfeldolgozás	Mire a legjobb
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nem	Nehéz gondolkodás, kód, ügynökök
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Nem	Ugyanaz a felmenő, nagy volumen
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nem	Általános célú igásló
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Igen	Csúcskategóriás multimodális ügynökök
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Igen	A legolcsóbb képfeldolgozás

Legyünk őszinték azzal az összehasonlítással, amelyet az emberek valóban meg fognak tenni: a DeepSeek saját API-ja olcsóbb ennél — a saját V4-Pro nagyjából 0,435 $ be / 0,87 $ ki áron szerepel, a gyorsítótár-találatos bemeneti áruk pedig még ennél is alacsonyabb. Ha a tokenenkénti ár az egyetlen szempontja, és a moderálási viselkedés nem érinti a munkáját, használja a saját API-t; inkább ezt mondjuk el, mint hogy később derüljön ki. A felár más tulajdonságcsomagot vesz meg: nincs elutasítási réteg és nincs kimeneti szűrő, egyesült államokbeli üzemeltető a Shannon Lab LLC keretében, rögzített, dátumozott ellenőrzőpont (0813), így egy csendes felsőbb szintű frissítés soha nem változtatja meg a kimeneteit projekt közben, három API-dialektus egyetlen modellhez, valamint ugyanaz a 262K-s ablak és paraméterfelület a kínálat mind a tizenkét modelljén.

09Meghívás: három dialektus, egy modell

Az átjáró minden modellje mindhárom végponton válaszol, mindegyiken streameléssel. Nem kell új SDK-t bevezetnie — egy alap-URL-t és egy modellazonosítót cserél.

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-dialektus; működik az OpenAI SDK-kkal és mindennel, ami rájuk épül.
• /v1/messages — Anthropic-dialektus, olyan kódbázisokhoz, amelyek már erre az alakra íródtak.
• /v1/responses — a Responses stílusú felület.

Ezen a modellen támogatott: streamelés, natív eszközhívás, szigorú json_schema strukturált kimenet, response_format és reasoning_effort. A teljes paraméterreferencia és egy élő játszótér az API-dokumentációban található.

10Őszinte korlátok

Négy dolog, amit érdemes tudni, mielőtt rá épít:

• Nincs képfeldolgozás. Csak szöveg; egyetlen végponton sem fogad el képi bemenetet. Ha olyan cenzúrázatlan modellre van szüksége, amely lát, használja a Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 vagy inkling modellt.
• 16 384 tokenes kimeneti plafon. Magas erőfeszítésnél a gondolkodási tokenek is ebbe számítanak, tehát a hosszú mérlegelés kevesebb helyet hagy a válasznak. Nagy generálási feladatokhoz láncoljon kéréseket.
• A 3 bit valódi tömörítés. A referenciapontszámok az alapmodellt írják le, nem ezt a buildet. A legnagyobb hűségű szinthez a W8A16 modellek (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) hordozzák a legkevesebb kvantálást.
• A cenzúrázatlanságnak van következménye. Az elutasítási réteg hiánya azt jelenti, hogy azért, amit kérdez, és azért, amit a válasszal kezd, Ön felel — a szolgáltatási feltételeink és annak a helynek a joga szerint, ahol működik.

11Gyakori kérdések

---

Források: DeepSeek-AI — DeepSeek-V4-Pro modellkártya · DeepSeek-V4 technikai jelentés (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 technikai jelentés · REAP the Experts (Cerebras Research) · Promptfoo cenzúraaudit · Discovering Forbidden Topics in Language Models. A benchmarkszámokat a DeepSeek-AI közölte a referenciakiadáshoz; a tömörített build független, harmadik féltől származó ellenőrzése még várat magára. Az árak a Shannon AI 2026. szeptember 5-i listaárai.