Óritskoðað DeepSeek Flash API

Flest teymi sem meta mállíkana-API besta ranga breytu. Þau prófa á tuttugu erfiðustu fyrirmælunum sem þeim dettur í hug, velja sigurvegarann, og komast að því sex vikum síðar að níutíu og fimm prósent umferðarinnar þeirra er stutt, skipulögð, endurtekin vinna sem líkan á fjórðungi verðsins hefði leyst nákvæmlega eins. DeepSeek-V4-Flash er til fyrir þessi níutíu og fimm prósent. Þessi síða fjallar um að vita hvenær þú ert í þeim — og hvenær ekki.

01Hvað þú færð í raun

Eiginleiki	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Líkanaauðkenni	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Samhengi / hámarksúttak	262,144 tákn / 16,384 tákn
Verð á 1M (inn / út)	$0.50 / $2.00
Streymi · verkfærakall · rökhugsun	Já — allar þrjár mállýskurnar
Skipulagt úttak	json_schema og response_format
Myndinntak (sjón)	Nei — aðeins texti
Neitunarlag / úttakssía	Ekkert
Keyrt á	okkar eigin GPU-klasa

Þrjár API-mállýskur ná í sömu þyngdirnar: /v1/chat/completions (á OpenAI-sniði), /v1/messages (á Anthropic-sniði) og /v1/responses. Streymi virkar á öllum þremur. Fullt yfirlit yfir færibreytur er í API-skjölunum.

02Hvaðan það kemur: DeepSeek-ættin

DeepSeek-AI hefur varið fimm kynslóðum líkana í eina þráhyggju: að ná fram framlínuhegðun úr líkani sem er ódýrt að keyra, ekki bara ódýrt að þjálfa. Nánast sérhver byggingarákvörðun í línunni rekur sig til þess, og þær mikilvægustu eru birtar. Þrjár skýra hvað þú ert að kalla á þegar þú hittir á þennan endapunkt.

DeepSeekMoE — fínkorna sérfræðingar auk eins sameiginlegs

Mixture-of-Experts lag skiptir einu stóru framvirku neti út fyrir mörg minni og beini sem velur handfylli á hvert tákn. Afbrigði DeepSeek sneiðir sérfræðingana fínna en hefðbundna átta sérfræðinga sniðið, svo sömu virkjuðu flotreikningarnir kaupa mun samsetningarlega sértækari blöndu, og það einangrar sameiginlegan sérfræðing sem hvert tákn fer í gegnum, svo almenn þekking er ekki lærð aftur og aftur inni í hverjum sérfræðingi. DeepSeek-V3 kom með það sem 256 beinda sérfræðinga auk 1 sameiginlegs, með 8 beinda virka á hvert tákn — 671B færibreytur alls, 37B virkar — ásamt álagsjöfnun án hjálpartaps: í stað refsiliðar sem rýrir gæði færir bjagi á hvern sérfræðing beiningareinkunnir upp eða niður í hverju skrefi eftir því hvort sá sérfræðingur er van- eða ofhlaðinn.

MLA — athygli sem kemst fyrir í minni

Hinn helmingur rekstrarkostnaðarvandans er KV-skyndiminnið, sem vex línulega með samhengi og ræður minnisnotkun við langar runur. Multi-head Latent Attention, kynnt í DeepSeek-V2, þjappar lyklum og gildum saman í dulinn vigur af lágri vídd og geymir hann í skyndiminni, og endurgerir nothæf K/V jafnóðum. Birtar V2-tölur DeepSeek, á móti eldra þétta DeepSeek 67B líkaninu þeirra, greina frá 93,3% minnkun á KV-skyndiminni og 5,76× meiri hámarksafköstum í framleiðslu. Þess vegna er 262K tákna gluggi sjálfsagður hlutur í þessari fjölskyldu frekar en viðbót gegn álagi.

Strjál athygli — og fordæmið fyrir ódýrum táknum

V3.2-Exp bætti við DeepSeek Sparse Attention: léttur vísir gefur samhengistáknum einkunn á móti fyrirspurninni, og valari heldur aðeins þeim hæstu. Áhugaverði hlutinn er kvittunin, ekki kerfið. DeepSeek birti hlið við hlið samanburð við V3.1-Terminus þar sem MMLU-Pro var eins í 85.0, AIME 2025 hærra (88.4 → 89.3), SWE-bench Verified örlítið lægra (68.4 → 67.8) — í raun óbreytt gæði — og lækkaði API-verðin sín um meira en 50% sama dag. Byggingarlag, heiðarlega greint frá, sem breytist beint í verð. Flash er sama röksemd tekin einu skrefi lengra.

V4 kynslóðin

V4, sýnt í forskoðun í apríl 2026 undir MIT-leyfi, skiptir athyglisstaflanum enn og aftur út fyrir blöndu af Compressed Sparse Attention og Heavily Compressed Attention, þjálfar með Muon-bestunaraðferðinni á meira en 32T táknum, og heldur fjöltáknaspámarkmiði V3 — sem gegnir jafnframt hlutverki spákaupmennskuafkóðunar, og sem DeepSeek mældi með 85–90% samþykkishlutfalli á öðru tákni fyrir gróflega 1,8× hraðari afkóðun í V3. Útdráttur V4 greinir frá því að V4-Pro keyri á 27% af flotreikningum V3.2 fyrir eitt tákn og 10% af KV-skyndiminni þess. Fjölskyldan býður þrjú stig af rökhugsunarþunga, og það er það sem reasoning_effort færibreytan okkar varpast á.

Heimildir: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · tækniskýrsla DeepSeek-V3 (arXiv 2412.19437) · líkanaspjald DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Allar tölur eru frá DeepSeek.

03Hvað „Flash“ þýðir í raun

Þetta er atriðið sem flestir samanburðir fara rangt með, svo það er þess virði að segja það berum orðum: Flash frá DeepSeek er ekki þjappað, grisjað eða eimað Pro. Það er sérþjálfað, minna Mixture-of-Experts líkan með sinni eigin forþjálfun. Forskoðunargrein V4 gefur upp stærðirnar tvær:

Tölur úr forskoðunargrein DeepSeek-V4. Opinberu eftirlitsstöðurnar sem við keyrum — V4-Flash-0731 og V4-Pro-0813 — telja upp örlítið hærri heildartölur, 304B og 1.7T, á líkanaspjöldum sínum; DeepSeek endurtekur ekki virkar færibreytur fyrir þær smíðar.

Tvær tölur vinna verkið hér. Heildarfæribreytur ráða minnisfótsporinu, sem ákveður hversu mikinn vélbúnað eitt eintak líkansins tekur. Virkar færibreytur ráða reikningnum á hvert tákn, sem ákveður afköst. Flash er gróflega 5,6× minna á fyrri tölunni og 3,8× minna á þeirri seinni — og það er blæbrigði í því bili sem er þess virði að taka eftir: Flash virkjar 13 af 284 milljörðum færibreyta, um 4,6%, á meðan Pro virkjar 49 af 1.600 milljörðum, um 3,1%. Flash er síður strjála líkanið. Það er ekki einfaldlega Pro með færri sérfræðinga kveikta; það er þéttari hönnun með aðra jafnvægisstillingu sem eyðir stærri hluta af sjálfri sér í hvert tákn sem hún framleiðir. Það er raunverulegt verkfræðilegt val, ekki niðurfærsla.

Hvað tölur DeepSeek sjálfs segja

Bæði opinberu líkanaspjöldin birta einkunnir á sömu gerenda- og hugbúnaðarverkfræðiviðmiðunum, sem gerir þetta óvenju hreinan samanburð — sama rannsóknarstofa, sama matsumgjörð, tvær stærðir:

Viðmið (frá 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 vinnur hverja einustu línu. Það er heiðarlega fyrirsögnin, og við viljum frekar að þú lesir hana hér en uppgötvir hana í rekstri. En lestu mörkin, því það er það sem þú ert í raun að kaupa. Á Terminal Bench 2.1 er bilið 5,2 stig á líkani með tuttugasta og fimmta hluta færibreytnanna; í notkun verkfæra er það 3,8 stig. Bilið breikkar þar sem vinnan verður dýpst — 8,3 stig á DeepSWE, 7,3 á NL2Repo, sem bæði umbuna viðvarandi margþrepa rökhugsun um kóða. Þetta er lögun skiptanna í einni töflu: Flash brúar mest af bilinu í afmörkuðum verkum og gefur eftir í opnum verkum.

Flash-spjald DeepSeek sjálfs setur atriðið enn skarpar fram: Flash-0731 slær forskoðun V4-Pro út á þeim viðmiðum sem talin eru upp, þrátt fyrir miklu færri virkar færibreytur. Að nýrra lítið líkan slái eldra stórt líkan út er eðlilegt ástand á þessu sviði, og það er ástæðan fyrir því að „stærra þrep“ ætti aldrei að vera sjálfgefna svarið þitt.

04Að lesa viðskeytið: W4A16-AUTOROUND-REAP

Líkanaauðkennin okkar segja þjöppunaraðferð sína upphátt, því hún er það sem hefur mest áhrif á gæði úttaks og nánast enginn upplýsir um hana. Þetta greinist í þrjár fullyrðingar.

W4A16 — 4 bita þyngdir, 16 bita virkjanir

Þyngdir eru geymdar á 4 bitum hver; virkjanir flæða í gegn á 16 bita nákvæmni. Þetta er þjöppun aðeins á þyngdum, og hún beinist að raunverulega flöskuhálsinum í framleiðslu tákna, sem er bandbreidd minnis frekar en reikningur. Að þjappa virkjunum líka myndi kaupa örlítið meiri hraða og hætta á miklu stærra nákvæmnihruni; að skilja þær eftir á 16 bitum er varfærna valið með mikilli trúmennsku. Táknmálið er stytting úr rekstrarumhverfinu — þjöppunarfræðin skrifar það sama sem W4 með hópstærð.

AUTOROUND — lærð námundun, ekki námundun að næsta gildi

Einföld þjöppun námundar hverja þyngd að næsta framsetjanlega gildi. Það er sannanlega ekki best: að námunda eina þyngd „ranga“ leið getur eytt villu sem nágrannar hennar innleiddu, og með milljörðum þyngda ráða þau víxlverkanir för. AutoRound, frá Intel, meðhöndlar námundunarákvörðunina sjálfa sem eitthvað sem á að læra — þjálfanlega truflun á hverja þyngd, takmarkaða við ±0,5, nákvæmlega nóg til að snúa hvaða einstöku námundunarákvörðun sem er og aldrei meira, auk lærðra klippisviða, bestuð með formerktu stigulsfalli á móti markmiði um endurgerð úttaks blokk fyrir blokk yfir lítið kvörðunarmengi. Tvö hundruð skref, og svo er því lokið.

Birtir samanburðir Intel hafa AutoRound betra en GPTQ í 30 af 32 prófuðum sviðsmyndum, betra en AWQ í 27 af 32 og betra en OmniQuant í 29 af 32 við 4 bita þjöppun aðeins á þyngdum, með ávinningi umfram einfalda námundun að næsta gildi upp á 6,9 til 33,2 nákvæmnistig við 2 bita. Ekkert af þessu kostar neitt við ályktun: þetta er betra val á tölum, gert einu sinni, ótengt.

REAP — að henda sérfræðingum sem enginn beinir til

REAP (Router-weighted Expert Activation Pruning), frá Cerebras Systems og Háskólanum í Calgary, er þjöppun í einu skoti fyrir MoE-líkön. Hún gefur hverjum sérfræðingi einkunn eftir því hversu sterkt og hversu oft beinirinn hleypir honum að, margfaldað með stærð úttaks þess sérfræðings, og eyðir svo þeim ómerkilegustu alveg — án nokkurrar endurþjálfunar á eftir.

Meginniðurstaða greinarinnar er sú gagnlega: við há þjöppunarhlutföll er betra að grisja sérfræðinga en að steypa þeim saman. Að steypa saman sérfræðingum sem gegna ólíkum hlutverkum veldur því sem höfundarnir kalla hrun starfrænna undirrúma — beinirinn missir fínkorna, inntaksháðu stýringuna sem gerði MoE þess virði að byggja, og situr eftir við að stýra milli fastra meðaltala. Tölur þeirra yfir líkön frá 20B upp í 1T færibreytur: við 25% þjöppun sérfræðinga í forritunarverkum tapar REAP 2,8% meðalnákvæmni þar sem samsteypuaðferðir tapa yfir 5%; við 50% tapar REAP 8,0% þar sem samsteypa tapar yfir 20%. Á Qwen3-Coder-480B við 50% grisjun er fallið 1,4%, á móti 39,3% fyrir einfalda tíðnimiðaða grisjun. Cerebras hefur birt REAP eftirlitsstöður fyrir DeepSeek-línuna meðal annarra.

Hvers vegna 4 bitar hér og 3 bitar á Pro

Bæði þrepin verða að komast fyrir og haldast hröð á sama flokki vélbúnaðar. Pro ber 1,7 billjónir færibreyta, svo það þarf harkalegri 3 bita meðferð til að komast fyrir yfirhöfuð. Flash ber gróflega 300 milljarða, svo það þarf þess ekki — og bitanum sem það sparar er varið í trúmennsku í stað þess að komast fyrir.

Þessi auka biti skiptir meira máli en reikningurinn gefur til kynna, því skaði af þjöppun er ekki línulegur. Í WikiText-2 mælingum AWQ-greinarinnar fer Llama-2-7B úr 5.47 í ringulreið á FP16 í 5.60 á 4 bitum — 2,4% refsing — en í 6.24 á 3 bitum, 14% refsingu. Það er gróflega sexföld hnignun fyrir 25% meiri þjöppun, og sama mynstur heldur á 70B. GPTQ-greinin er enn afdráttarlausari: á 3 bitum hrynur einföld námundun að næsta gildi á líkönum í 175B flokki, upp í þúsundir í ringulreið, á meðan hún er fullkomlega nothæf á 4 bitum. Undir fjórum bitum hættir góður þjöppunaralgrími að vera munaður og verður það eina sem heldur líkaninu saman.

Heiðarlegi lesturinn á þessum tveimur viðskeytum er því: Flash situr nær sinni eigin óþjöppuðu útgáfu en Pro situr nær sinni. Pro er samt sterkara líkanið — viðmiðataflan hér að ofan gerir út um það. Það gaf einfaldlega meira eftir til að komast hingað, og þú borgar fyrir forréttindin.

Heimildir: 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. Ringulreiðartölur úr AWQ (arXiv 2306.00978) og GPTQ (arXiv 2210.17323).

05Flash á móti Pro á endapunktinum

Kafli 03 fjallaði um grunnlíkönin. Hér er hvernig þrepin tvö líta út sem vörur á gáttinni okkar:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Þjöppun	W4A16-AUTOROUND-REAP	3BIT-REAP
Nákvæmni þyngda	4 bitar, lærð námundun	3 bitar
Grunnlíkan (alls / virkt)	~304B / 13B	~1.7T / 49B
Inntak á 1M tákn	$0.50	$1.95
Úttak á 1M tákn	$2.00	$3.90
Samhengi / hámarksúttak	262,144 / 16,384	262,144 / 16,384
Verkfæri · skipulagt úttak · streymi	Já	Já
Sjón	Nei	Nei
Neitunarlag	Ekkert	Ekkert

Taktu eftir hvað breytist ekki: samhengi, úttaksþak, verkfærakall, skipulagt úttak og fjarvera neitunarlags eru eins. Það eina sem hreyfist er grunnlíkanið, þjöppunin og verðið. Það gerir skiptin á milli þeirra að breytingu á einum streng í kóðanum þínum og að hreinni hagfræðilegri ákvörðun í hönnuninni þinni.

Hvað eitt kall í hámarksstærð kostar

Fylltu allt 262,144 tákna samhengið og taktu fullt 16,384 tákna úttak:

Á listaverði. Flash: $0.131 inntak + $0.033 úttak. Pro: $0.511 + $0.064. Hlutfall 3,51×. Flash deilir líka $0.50 / $2.00 gólfinu með MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro og Hy3 — sjá alla skrána til að sjá hvernig þau eru ólík hvað sjón og skipulagt úttak varðar.

06Magnreikningurinn, unninn til enda

„3,9× ódýrara“ á aðeins við um inntak. Á úttaki er Flash 1,95× ódýrara. Raunverulegur sparnaður þinn ræðst því af hlutfalli inntaks á móti úttaki, og dreifingin er nógu breið til að breyta hönnunarákvörðunum. Fjögur raunhæf vinnuálög, hvert um sig 100.000 beiðnir:

Vinnuálag	Inn / út á kall	Flash	Pro	Sparnaður
Flokkun beiðna	1,200 / 120	$84	$281	3,3×
Svör við spurningum úr RAG	8,000 / 600	$520	$1,794	3,4×
Samantekt á löngu skjali	60,000 / 1,500	$3,300	$12,285	3,7×
Gervigagnasmíði	500 / 2,000	$425	$878	2,1×

Mynstrið: því meira samhengi sem þú ýtir inn og því minni texta sem þú býrð til, þeim mun meira sparar Flash þér. Endurheimtarferli, flokkun skjala, greining á annálum og afritum, og útdráttur úr löngu samhengi eru kjörsvæðið — þau eru inntaksdrifin um stærðargráðu, og inntakið er þar sem 3,9× afslátturinn liggur. Ef vinnuálagið þitt er þess í stað stutt fyrirmæli sem framleiða þúsundir tákna af texta þrengist bilið í gróflega 2× og geturöksemdin fyrir Pro styrkist að sama skapi.

Einn reikningur í viðbót sem er þess virði að tileinka sér: á $0.50 á hverja milljón inntakstákna kostar 13,1 sent að fylla allan 262,144 tákna gluggann. Fyrirmæli með löngu samhengi hætta að vera fjárhagsspurning á því verði, sem þýðir stundum að þú getur sleppt því að byggja endurheimtarlag alveg og látið samhengisgluggann vinna verkið — verkfræðilegur sparnaður ofan á táknasparnaðinn.

07Hvað „óritskoðað“ þýðir hér, nákvæmlega

Orðið er notað lauslega, svo hér er skilgreiningin okkar, sett fram sem eiginleiki endapunktsins: það er enginn neitunarflokkari fyrir framan líkanið og engin efnissíun beitt á úttak þess. Ekkert grípur fyrirmæli og skilar niðursoðinni synjun; ekkert skoðar svarið og ritskoðar það. Fyrir rekstrarvinnu í miklu magni eru afleiðingarnar minna dramatískar og gagnlegri en orðið gefur til kynna:

• Engar falskar viðvaranir á meinlausri umferð. Síaðir endapunktar hafna reglulega læknisfræðilegum samantektum, öryggisgreinum, gagnaöflun í dómsmálum, skáldskap, skaðaminnkunarefni og ritstýringarvinnu sjálfri — einmitt þeim flokkum þar sem lotuverk er að vinna úr texta um viðkvæmt efni frekar en að framleiða nokkuð skaðlegt. Við hundrað þúsund beiðnir er eins prósents tíðni falskra neitana þúsund ónýtar línur.
• Fastir samningar. Biddu um json_schema svar og þú færð JSON sem passar við skemað, ekki afsökunarmálsgrein þar sem hlutur á að vera. Þáttarinn þinn þarf enga neitunargrein, og endurtekningarlógíkin þín þarf ekki að greina flutningsbilun frá stefnubilun.
• Þú átt stefnuna. Það eru skiptin. Ef varan þín þarf varnir fyrir endanotendur þína byggirðu þær á þínu lagi, þar sem þú þekkir notendur þína og lögsögu þína, í stað þess að erfa ágiskanir þjónustuaðila um hvort tveggja. Reikningurinn þinn heyrir áfram undir stefnu okkar um ábyrga notkun.

Óritskoðað er ekki það sama og ósamstillt eða ógagnlegt. Líkanið fylgir enn fyrirmælum og virðir enn kerfisfyrirmæli. Ef þú vilt að það neiti tilteknum flokkum fyrir þína notendur skaltu segja það þar — þau fyrirmæli eru nú þín að skrifa frekar en okkar að þröngva upp á þig.

08Geta og heiðarleg takmörk

Tvær getur bera mest af þunganum fyrir magnvinnu. Strangt json_schema úttak breytir svari í gagnagrunnslínu án þáttunarlags og án neitunargreinar. Verkfærakall í öllum þremur mállýskum gerir Flash að skynsamlegri vél fyrir ódýru undirskrefin hjá geranda þar sem yfirskipulagið keyrir á sterkara líkani. Bættu við reasoning_effort, sem lætur þig eyða aukatáknum aðeins á þann hluta umferðar sem þarf þau, og 262,144 tákna samhengi sem er eins og hjá Pro — þú gefur ekki eftir samhengi með því að velja ódýra þrepið, sem er óvenjulegt.

Takmörkin eru jafn áþreifanleg:

• Engin sjón. Flash er aðeins texti og hafnar myndhlutum í skilaboðum. Fyrir myndir á óritskoðuðu líkani á sama $0.50 / $2.00 gólfi eru MiniMax-M3 og MiMo-V2.5 kostirnir með sjón; Kimi-K2.6 og Kimi-K3 eru sterkari sjónlíkön fyrir ofan það þrep.
• Ekki toppurinn á stiganum. Tölur DeepSeek sjálfs setja Pro framar á hverju einasta birtu gerendaviðmiði, þar sem bilið er breiðast í viðvarandi margþrepa rökhugsun um kóða. Þar sem eitt rangt svar kostar meira en þúsund ódýr skaltu eyða þessum $1.45 aukalega á hverja milljón í DeepSeek-V4-Pro.
• 16,384 úttakstákn á hverja beiðni. Langar framleiðslur verður að búta niður á mörg köll. Þetta er sama þakið á öllum líkönum sem við keyrum, og það bindur löngu áður en samhengisglugginn gerir það.

09Að kalla á það

Beindu hvaða OpenAI-samhæfa biðlara sem er á gáttina og skiptu um líkanastrenginn. Ekkert annað í staflanum þínum þarf að hreyfast.

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
        }
      }
    }
  }'

Sama líkanaauðkenni virkar óbreytt á /v1/messages og /v1/responses, sem er fljótlegasta leiðin til að A/B-prófa ódýrara líkan undir fyrirliggjandi samþættingu án þess að endurskrifa biðlarann. Færibreytur, form streymisatburða, skemu fyrir verkfærakall og hraðatakmarkanir eru skjalfest í API-yfirlitinu; öll líkön í skránni eru talin upp á Shannon Research.

10Algengar spurningar

---

Heimildir: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · tækniskýrsla DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · líkanaspjöld DeepSeek-V4-Flash-0731 og DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Allar tölur um grunnlíkön og viðmið eru eins og höfundar þeirra birtu þær; verð Shannon AI og samhengið sem við keyrum eru okkar eigin listagildi frá og með september 2026.