Առանց ցենզուրայի DeepSeek API

«Առանց ցենզուրայի DeepSeek API» արտահայտությամբ եկողները ուզում են մեկ կոնկրետ բան. մոդել՝ DeepSeek-ի դատողության և կոդագրման ունակությամբ, որը պատասխանում է հենց այն հարցին, որ իրականում տրվել է։ Ունակության կեսը լավ փաստաթղթավորված է — DeepSeek-AI-ն հրապարակել է ճարտարապետությունը և թվերը, և կշիռները Hugging Face-ում են՝ MIT լիցենզիայով։ Երկրորդ կեսը գործառնական որոշում է, և այն սովորաբար կայացվում է ձեզ փոխարեն։ Այս էջը ծածկում է երկուսն էլ. ինչ է V4-Pro հիմքը, ինչ է անում մեր 3BIT-REAP կառուցումը դրա հետ, և ինչ ենք մենք ճշգրիտ նկատի ունենում «առանց ցենզուրայի» ասելով։

01Ինչ է իրականում նշանակում «առանց ցենզուրայի DeepSeek API»

Երկու տարբեր մեխանիզմ է դասվում նույն բառի տակ։ Առաջինը կշիռների մեջ թխված հավասարեցումն է — հետ-ուսուցման ընթացքում սովորած մերժման վարքագիծ։ Երկրորդը սպասարկման կողմի մոդերացիայի շերտն է. առանձին դասակարգիչ, որը ստուգում է ձեր հուշումը մինչ մոդելը այն կտեսնի, և ելքը՝ մինչև դուք կտեսնեք, և կարող է կտրել պատասխանը նախադասության մեջտեղում՝ անկախ նրանից, թե մոդելն ինչ էր ուզում ասել։

Երկուսն էլ չափելի են, և DeepSeek-ի առաջին-կողմի ծառայությունը չափվել է։ Promptfoo-ն հավաքեց 1,360 քաղաքականապես զգայուն հարցերի հավաքածու և հայտնեց, որ DeepSeek-ի հոսթինգային R1-ը մերժել կամ շեղվել է 1,156-ից — մոտավորապես 85%-ը։ Նույն ընտանիքի վրա ակադեմիական աշխատանքը գտավ առանձին ձախողման ձև, որը հեղինակներն անվանեցին մտքի ճնշում, որտեղ մոդելի դատողության հետագիծը ընդհատվում է գրեթե հենց սկսելուն պես զգայուն թեմայի վրա։ Առանձին աուդիտ, հրապարակված Information Sciences-ում, փաստագրեց իմաստային մակարդակի ճնշում. բովանդակություն, որը ներկա է մոդելի ներքին դատողության մեջ, բայց հանգիստ բաց է թողնվում կամ վերաշարադրվում, նախքան այն օգտատիրոջն է հասնում։ Դա ավելի բարդ խնդիր է, քան բացահայտ մերժումը, որովհետև կրճատված պատասխանը նման է պատասխանի։

Այն, ինչ մենք աշխատեցնում ենք, բաց կշիռների թողարկումն է, մեր կառավարած սարքաշարի վրա, ԱՄՆ-ում, Shannon Lab LLC-ի ներքո։ Կա ոչ մի մերժման շերտ մոդելի դեմ, և ոչ մի զտում չի կիրառվում այն, ինչ վերադառնում է. ձեր հուշումը քաղաքականության համար չի դասակարգվում մինչև մատուցվելը, և ելքի հոսքը դուրս գալու ճանապարհին չի ստուգվում։ Քանի որ հիմքը MIT լիցենզիայով է և հրապարակային, դուք կարող եք համեմատել մեր ելքերը հղման կշիռների հետ ինքներդ, փոխանակ մեզ վստահելու։

02Հիմքը. DeepSeek-V4-Pro, 1.6Տ MoE

DeepSeek-V4-ը DeepSeek-AI-ի ընթացիկ բաց կշիռների ընտանիքն է, պրիվյու արված 2026 թ. ապրիլին և թողարկված MIT-ի ներքո երկու չափով. V4-Flash (284Մլրդ ընդհանուր, 13Մլրդ ակտիվացված) և V4-Pro (1.6Տ ընդհանուր, 49Մլրդ ակտիվացված)։ Այս հոդվածը Pro մակարդակի մասին է։ Երկուսն էլ նախնական ուսուցանվել են մոտավորապես 33 տրիլիոն տոկենի վրա, և երկուսն էլ բնիկորեն աջակցում են մեկ-միլիոն-տոկեն համատեքստ։

Sparsity հարաբերակցությունն է այն, ինչին արժե ուշադրություն դարձնել. ընդամենը մոտավորապես 3% պարամետրերն են գործարկվում ցանկացած տոկենի վրա, ինչը հենց այն է, ինչը այս մեծության մոդելը ընդհանրապես սպասարկելի է դարձնում։ Ինքը MoE բլոկը դեռ DeepSeekMoE-ն է — V2-ում ներդրված նուրբ երթուղավորված փորձագետները գումարած մշտապես-միացած ընդհանուր փորձագետները — V4-ի միայն մի քանի փոփոխությամբ, ամենաերևացողը hash երթուղավորումն է ամենավաղ շերտերում։ Multi-Token Prediction-ը, V3-ի օժանդակ նպատակը, որը նաև հնարավոր է դարձնում speculative decoding-ը, պահպանվում է անփոփոխ։

V4-ի նոր մասերը կառուցվածքային են։ Manifold-Constrained Hyper-Connections (mHC)-ը փոխարինում է հասարակ մնացորդային ուղին սովորած խառնման մատրիցով, սահմանափակված կրկնակի ստոխաստիկ մատրիցների manifold-ի վրա՝ Sinkhorn–Knopp պրոեկցիայի միջոցով — մնացորդային հոսք, որը վերակշռվում է ըստ մուտքի՝ առանց թվային շեղման, որը սպանում է շատ խորը stack-երը։ Ուսուցումը AdamW-ից տեղափոխվեց Muon-ի վրա մեծ մասի համար, օգտագործելով Newton–Schulz օրթոգոնալացում, AdamW-ն պահված միայն embedding-ների, կանխատեսման head-երի, նորմալացման և ստատիկ mHC պարամետրերի համար։ Եվ փորձագետների կշիռները ուսուցանվում են FP4-ում՝ մյուս պարամետրերի մեծ մասը FP8-ում — քվանտացման-գիտակից հենց սկզբից, ինչը կարևոր է հասկանալու համար, թե ինչքան նրբանկատորեն է մոդելը ընդունում հետագա սեղմումը։

03MLA-ից CSA + HCA. ինչպես է DeepSeek-ը երկար համատեքստը էժան պահում

DeepSeek-ի չափանիշը չորս սերնդի ընթացքում չափը չէ, այն ուշադրության տնտեսագիտությունն է։ Ամեն տարբերակ հարձակվել է KV քեշի վրա, որը գծայնորեն մեծանում է համատեքստի հետ և գերիշխում է հիշողությունը երկար երկարությունների ժամանակ։

• V2-ը ներդրեց Multi-head Latent Attention (MLA) — key-ների և value-ների ցածր-ռանգ համատեղ սեղմում լատենտ վեկտորի մեջ, այնպես որ գեներացիան քեշավորում է այդ վեկտորը գումարած մեկուսացված RoPE key՝ լրիվ per-head K և V-ի փոխարեն։ DeepSeek-ը հայտնեց KV քեշի կրճատում մինչև ստանդարտ multi-head ուշադրության մոտավորապես 4–14%-ը, որակը պահված կամ բարելավված։
• V3-ը դա մասշտաբավորեց մինչև 671Մլրդ, դարձնելով MLA-ն էժան երկար համատեքստի լռելյայն ենթադրություն բաց մոդելներում։
• V3.2-ը ավելացրեց DeepSeek Sparse Attention (DSA), որն ընտրում է պատմության top-k ենթաբազմություն ամեն հարցման համար՝ թեթև ինդեքսավորիչի միջոցով, փոխանակ ամեն ինչի ուշադրություն դարձնելու։
• V4-ը հիբրիդացնում է։ Compressed Sparse Attention (CSA)-ն նախ սեղմում է ամեն m տոկենի KV մուտքերը մեկ մուտքի մեջ՝ սովորած կշիռներով, ապա գործարկում է sparse top-k ընտրություն այդ սեղմված մուտքերի վրա։ Heavily Compressed Attention (HCA)-ն սեղմում է շատ ավելի ագրեսիվ, բայց մնում է խիտ արդյունքի վրա։ Երկու շերտի տեսակներն էլ interleaved են stack-ի ողջ երկարությամբ, այնպես որ էժան գլոբալ ամփոփումը և ճշգրիտ լոկալ վերականգնումը գոյակցում են։

Հայտնված վարձատրությունը մեկ-միլիոն-տոկեն համատեքստում ցայտուն է. V4-Pro-ին անհրաժեշտ է մոտավորապես 27% մեկ-տոկեն ինֆերենսի FLOPs-ից և 10% KV քեշից, ինչ V3.2-ին էր անհրաժեշտ։ Դա է պատճառը, թե ինչու 262K հարցումը վարվում է ինչպես սովորական հարցում, ոչ թե հիշողության իրադարձություն, և ինչու երկար-համատեքստի վերականգնման թվերը պահպանվում են՝ փոխանակ փլուզվելու մի քանի տասնյակ հազար տոկենից հետո։

04Ինչ է նշանակում 3BIT-REAP վերջածանցը

Մեր կատալոգի id-ն ավարտվում է 3BIT-REAP-ով, և դա նկարագրում է երկու անկախ սեղմման քայլ, կիրառված հերթականությամբ։

REAP. փորձագետների կրճատում, ոչ միավորում

REAP-ը Router-weighted Expert Activation Pruning է, Cerebras Research-ից — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», ընդունված ICLR 2026-ում։ Sparse MoE-ում երթուղիչը իր փորձագետներին հավասարաչափ չի օգտագործում. երկար պոչը ընտրվում է հազվադեպ, թույլ, կամ երկուսն էլ։ REAP-ը գնահատում է յուրաքանչյուր փորձագետին՝ համադրելով երթուղիչի դռների արժեքները (որքան հաճախ և որքան ուժեղ է ընտրվում) փորձագետների ակտիվացման նորմերի հետ (որքան է նպաստում իր ելքը), ապա ամբողջովին ջնջում է պարտվողներին։

Հոդվածի փաստարկն է, որ կրճատումը հաղթահարում է միավորմանը. միավորումը միջինացնում է այն ֆունկցիոնալ մասնագիտացումը, որը MoE-ն դարձնում էր կառուցման արժանի, մինչդեռ երթուղիչի հազիվ հասնող փորձագետների ջնջումը պահպանում է այն։ Մոդելների վրա՝ 20Մլրդից մինչև 1Տ, REAP-ը գերազանցեց միավորմանը և մրցակից կրճատման մեթոդներին գեներատիվ բենչմարկների վրա, և հեղինակները հայտնում են գրեթե-անկորուստ արդյունքներ կոդի գեներացիայի և գործիքի կանչման վրա 50% փորձագետների կրճատման ժամանակ Qwen3-Coder-480B-ի և Kimi-K2-ի վրա — ինչը հենց այն աշխատանքային պրոֆիլն է, որի համար այս մոդելը կա։

3-բիթ կշիռներ. ամենամեծ հիմքերի սեղմման մակարդակը

Ինչը մնում է, ապա քվանտացվում է 3-բիթ կշիռների։ Երեք բիթը ագրեսիվ է, և մենք դա չենք թաքցնում. ցանկի ողջ երկարությամբ մենք օգտագործում ենք W8A16, երբ հիմքը բավական փոքր է՝ սեղմումն անհարկի դարձնելու համար, W4A16-AUTOROUND-REAP միջինում, և 3BIT-REAP միայն ամենամեծ հիմքերի վրա, որտեղ դա տարբերությունն է մոդելը սպասարկելու և չսպասարկելու միջև։

Փոխզիջումն արժե ուղղակի ասել. 3-բիթ 1.6Տ MoE-ն բիթ-ինքնական չէ հղման թողարկմանը, և փոքր որակի ծախս իրական է։ Ինչ ստանում եք դրա փոխարեն՝ հիմք, որի չսեղմված առաստաղը շատ ավելի բարձր է, քան ցանկացած բան, որը հարմարավետ տեղավորվում է ավելի բարձր ճշգրտության վրա — և քանի որ V4-ի փորձագետները սկզբից ևեթ ուսուցանվել են FP4-ում, մոդելը անսովոր լավ է վարվում հետագա կշիռների սեղմման տակ։ Եթե ուզում եք DeepSeek կառուցում ավելի թեթև ճշգրտության հպումով, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP-ն օգտագործում է 4-բիթ կշիռներ՝ 16-բիթ ակտիվացումներով և AutoRound-ի սովորած կլորացումով, նույն 262K համատեքստի վրա՝ $0.50 մուտք / $2.00 ելք գնով։

05Դատողությունը, և reasoning_effort կարգավորիչը

V4-ի հետ-ուսուցումն ուսուցանում է տիրույթի մասնագետներին առանձին — մաթեմատիկա, կոդագրում, ագենտներ, հրահանգներին հետևում — SFT-ով, որին հաջորդում է GRPO, Group Relative Policy Optimization մեթոդը, որը DeepSeek-ը ներկայացրեց R1-ի հետ։ Այդ մասնագետները ապա միավորվում են մեկ մոդելի մեջ on-policy դիստիլացիայի միջոցով՝ հակադարձ-KL նպատակի ներքո, այնպես որ մեկ ստուգակետը միաժամանակ կրում է մասնագետային-մակարդակի վարքագիծ մի քանի տիրույթում, փոխանակ լինելու ընդհանրական, որը միջակ է բոլորի մեջ։

Թողարկված մոդելը բացահայտում է աստիճանական մտածողության ռեժիմներ, ոչ թե երկուական անջատիչ։ Մեր gateway-ում դա ստանդարտ reasoning_effort պարամետրն է, այս մոդելի ամենաօգտակար կարգավորիչը.

• Low — գրեթե-ուղղակի պատասխանում. դասակարգում, արդյունահանում, վերաշարադրում, ամեն ինչ, որտեղ վճարում եք մոդելի գիտելիքի համար, ոչ թե դատողության։
• Medium — կանխադրված աշխատանքային ռեժիմը կոդի վերանայման, վրիպազերծման և բազմաքայլ վերլուծության համար։
• High — երկար դատողություն մինչև պատասխանելը։ Այնտեղ, որտեղ դժվար խնդիրները լուծվում են, և որտեղ ապրում է ձեր ելքային-տոկենի հաշիվը, քանի որ դատողության տոկենները հաշվարկվում են որպես ելք։

Քանի որ մերժման շերտ չկա, դատողության հետագիծը կրճատվում չէ զգայուն թեմաների վրա — մտքի-ճնշման օրինաչափությունը, որ փաստագրված է առաջին-կողմի ծառայության վրա, այստեղ մեխանիզմ չունի առաջանալու համար։

06Կոդը և ագենտային աշխատանքը. ինչ է հավաքում հիմքը

Սրանք DeepSeek-AI-ի սեփական հրապարակած թվերն են V4-Pro թողարկման համար — ոչ մերը, և ոչ չափված մեր քվանտացված կառուցման վրա։ Մենք ցույց ենք տալիս դրանք, որովհետև դրանք ազնիվ պատճառն են այս հիմքն ընտրելու, և նշում ենք դրանք որպես առաջին-կողմի, որպեսզի կարողանաք դրանք համապատասխանաբար կշռել։

Երկուսն արժանի են մեկնաբանության։ SWE-bench Verified-ը 80.6%-ով իրական-պահոց խնդիրների լուծում է — անծանոթ կոդաբազա կարդալը, թերության տեղորոշումը, patch-ի արտադրումը, որն անցնում է նախագծի սեփական թեստերը։ MRCR-ը մեկ միլիոն տոկենի վրա (83.5) լրիվ երկարության բազմափուլ կորեֆերենցիայի վերականգնումն է, թիվը, որն ասում է, որ երկար-համատեքստի հայտարարությունը դեկորատիվ չէ։ DeepSeek-ը նաև հայտնում է 3206 Codeforces վարկանիշ մոդելի համար, և 62.0 CorpusQA-ում 1Մ համատեքստի վրա։

Վերևի թվերը DeepSeek-AI-ի հայտարարածն են DeepSeek-V4-Pro հղման թողարկման համար։ Մեր 3BIT-REAP կառուցումը այդ կշիռների սեղմված տարբերակն է և անկախորեն չի բենչմարկվել այս առաջադրանքների վրա; վերաբերվեք հղման գնահատականներին որպես հիմքի առաստաղ, ոչ որպես այս էնդփոինթի չափում։

07262K համատեքստ. ինչ իրականում է տեղավորվում

Հղման մոդելը ուսուցանված է մեկ միլիոն տոկենի համար։ Մենք սպասարկում ենք 262,144 — պատուհանը, որ gateway-ի ամեն մոդել կիսում է, այնպես որ մոդելների փոխարկումը մեկ-տողանոց փոփոխություն է և երբեք համատեքստի հետընթաց։ Գործնականում 262K-ը վաղուց այն կետից է, որտեղ համատեքստը սահմանափակում է իրական աշխատանքի մեծ մասը.

Աշխատանք	Մոտավոր տոկեն	Տեղավորվու՞մ է 262K-ում
Միջին չափի ծառայության պահոց (~50 հազար տող)	~600Հ	Ոչ — ընտրված մոդուլներ
Առանձին ենթահամակարգ + իր թեստերը	~60–120Հ	Այո, հարմարավետ
Ամբողջ RFC հավաքածու արձանագրության համար	~150Հ	Այո
700-էջանոց տեխնիկական գիրք	~250Հ	Այո, սահմանին մոտ
Երկար ագենտի աշխատացում, 40+ գործիքի հերթ	~80–200Հ	Այո

Սահմանաչափը, որին պետք է պլանավորել, ելքն է. 16,384 տոկեն առավելագույնը մեկ պատասխանի դիմաց։ Դա երկար փաստաթուղթ է կամ էական բազմաֆայլ patch, բայց ոչ ամբողջ կոդաբազա։ Մեծ գեներացիայի աշխատանքները կատարվում են՝ շղթայելով հարցումները՝ նախորդ ելքը վերադարձնելով համատեքստ, ինչը 262K պատուհանը դարձնում է էժան — ոչ թե խնդրելով մեկ հսկայական ավարտում։

08Գինը, և որտեղ է V4-Pro-ն նստում ցանկում

$1.95 մուտք / $3.90 ելք մեկ միլիոն տոկենի դիմաց-ով V4-Pro-ն դրոշակակիր դատողության մակարդակն է — մոդելը, որին ուղղում եք, երբ խնդիրը դժվար է։ Երբ այն պարզապես մեծ է, նույն 262K պատուհանի վրա ավելի էժան մոդելները դա կանեն քառորդ գնով։

Առանց ցենզուրայի մոդել	Մուտք / 1Մ	Ելք / 1Մ	Տեսողություն	Լավագույնը
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ոչ	Դժվար դատողություն, կոդ, ագենտներ
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Ոչ	Նույն տոհմը, բարձր ծավալ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ոչ	Ընդհանուր-նշանակության աշխատակենդանի
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Այո	Ամենաբարձր-մակարդակի բազմամեդիա ագենտներ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Այո	Ամենաէժան տեսողություն

Անկեղծ լինելով այն համեմատության մասին, որ մարդիկ իրականում կանեն. DeepSeek-ի սեփական API-ն ավելի էժան է սրանից — առաջին-կողմի V4-Pro-ն ցուցակագրվում է մոտավորապես $0.435 մուտք / $0.87 ելք գնով, և նրանց cache-hit մուտքի գինն ավելի ցածր է։ Եթե գինը մեկ տոկենի դիմաց ձեր միակ չափանիշն է, և մոդերացիայի վարքագիծը ձեր աշխատանքի վրա չի ազդում, օգտագործեք առաջին-կողմի API-ն; մենք ավելի ենք ուզում ձեզ դա հիմա ասել, քան որ ձեզ ավելի ուշ իմանաք դա։ Պրեմիումը գնում է հատկությունների այլ հավաքածու. մերժման շերտի և ելքի զտիչի բացակայություն, ԱՄՆ օպերատոր Shannon Lab LLC-ի ներքո, ամրագրված ամսաթվային ստուգակետ (0813), այնպես որ հանկարծակի վերին-հոսքի թարմացումը երբեք չի փոխում ձեր ելքերը նախագծի կեսին, երեք API բարբառ մեկ մոդելի դեմ, և նույն 262K պատուհանն ու պարամետրերի մակերեսը ցանկի բոլոր տասներկու մոդելների միջով։

09Կանչելը. երեք բարբառ, մեկ մոդել

Gateway-ի ամեն մոդել պատասխանում է երեք էնդփոինթում էլ, հոսքային փոխանցումով ամեն մեկում։ Դուք չեք ընդունում նոր SDK — դուք փոխում եք base URL և մոդելի id։

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 բարբառ; աշխատում է OpenAI SDK-ների և դրանց վրա կառուցված ցանկացած բանի հետ։
• /v1/messages — Anthropic բարբառ, արդեն այդ ձևով գրված կոդաբազաների համար։
• /v1/responses — Responses-ոճի ինտերֆեյսը։

Աջակցվում է այս մոդելի վրա. հոսքային փոխանցում, բնիկ գործիքի կանչում, խիստ json_schema կառուցվածքային ելք, response_format, և reasoning_effort։ Ամբողջական պարամետրերի ցանկը և կենդանի playground-ը API փաստաթղթերում են։

10Ազնիվ սահմանափակումներ

Չորս բան, որ պետք է իմանալ, նախքան դրա վրա կառուցելը.

• Ոչ մի տեսողություն։ Միայն-տեքստային; ոչ մի էնդփոինթում պատկերի մուտք չի ընդունի։ Եթե ձեզ անհրաժեշտ է առանց ցենզուրայի մոդել, որը տեսնում է, օգտագործեք Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 կամ inkling։
• 16,384-տոկեն ելքի առաստաղ։ Դատողության տոկենները հաշվարկվում են դրա դեմ բարձր ջանքի ժամանակ, այնպես որ երկար դատողությունն ավելի քիչ տեղ է թողնում պատասխանի համար։ Շղթայեք հարցումները մեծ գեներացիայի աշխատանքների համար։
• 3-բիթը իրական սեղմում է։ Հղման գնահատականները նկարագրում են հիմքը, ոչ այս կառուցումը։ Ամենաբարձր-հավատարմության մակարդակի համար W8A16 մոդելները (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) կրում են ամենաքիչ քվանտացումը։
• Առանց ցենզուրայի լինելը հետևանք-ազատ չէ։ Մերժման շերտի բացակայությունը նշանակում է, որ պատասխանատվությունը՝ ինչ եք հարցնում և ինչ եք անում պատասխանով, ձեզ վրա է — մեր ծառայության պայմանների և ձեր գործունեության երկրի օրենքի ներքո։

11Հաճախ տրվող հարցեր

---

Աղբյուրներ. DeepSeek-AI — DeepSeek-V4-Pro մոդելի քարտ · DeepSeek-V4 տեխնիկական հաշվետվություն (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 տեխնիկական հաշվետվություն · REAP the Experts (Cerebras Research) · Promptfoo ցենզուրայի աուդիտ · Discovering Forbidden Topics in Language Models։ Բենչմարկի թվերը DeepSeek-AI-ի հայտարարածն են հղման թողարկման համար; սեղմված կառուցման անկախ երրորդ-կողմի ստուգումը սպասման մեջ է։ Գները Shannon AI-ի ցուցակի գներն են 2026 թ. սեպտեմբերի 5-ի դրությամբ։