L'API DeepSeek senza censura

Chi arriva qui cercando «API DeepSeek senza censura» vuole una cosa precisa: un modello con la capacità di ragionamento e di scrittura di codice di DeepSeek che risponda alla domanda che gli è stata davvero posta. La metà relativa alle capacità è ben documentata — DeepSeek-AI ha pubblicato l'architettura e i numeri, e i pesi sono su Hugging Face con licenza MIT. La seconda metà è una decisione operativa, e di solito viene presa al posto tuo. Questa pagina copre entrambe: che cos'è la base V4-Pro, che cosa le fa la nostra build 3BIT-REAP e che cosa intendiamo esattamente quando diciamo «senza censura».

01Che cosa significa davvero «API DeepSeek senza censura»

Due meccanismi diversi finiscono sotto la stessa parola. Il primo è l'allineamento cotto nei pesi: comportamento di rifiuto appreso durante il post-training. Il secondo è uno strato di moderazione lato servizio: un classificatore separato che ispeziona il tuo prompt prima che il modello lo veda e l'output prima che tu lo veda, e può troncare una risposta a metà frase a prescindere da ciò che il modello voleva dire.

Entrambi sono misurabili, e il servizio di prima parte di DeepSeek è stato misurato. Promptfoo ha assemblato un set di 1.360 prompt su questioni politicamente sensibili e ha riportato che R1 ospitato da DeepSeek ne ha rifiutati o eluso 1.156, all'incirca l'85%. Lavori accademici sulla stessa famiglia hanno individuato una modalità di fallimento distinta, che gli autori hanno chiamato soppressione del pensiero: la traccia di ragionamento del modello si interrompe quasi appena inizia su un argomento sensibile. Un audit separato pubblicato su Information Sciences ha documentato una soppressione a livello semantico: contenuti presenti nel ragionamento interno del modello che vengono silenziosamente omessi o riscritti prima di arrivare all'utente. È un problema più insidioso di un rifiuto esplicito, perché una risposta troncata sembra una risposta.

Ciò che eseguiamo noi è il rilascio a pesi aperti, su hardware che gestiamo noi, negli Stati Uniti, sotto Shannon Lab LLC. Non c'è alcuno strato di rifiuto davanti al modello né alcun filtro applicato a ciò che torna indietro: il tuo prompt non viene classificato per policy prima di essere servito e il flusso di output non viene ispezionato in uscita. Poiché la base è pubblica e con licenza MIT, puoi confrontare i nostri output con i pesi di riferimento da solo, invece di crederci sulla parola.

02La base: DeepSeek-V4-Pro, un MoE da 1,6T

DeepSeek-V4 è l'attuale famiglia a pesi aperti di DeepSeek-AI, presentata in anteprima ad aprile 2026 e rilasciata con licenza MIT in due taglie: V4-Flash (284B totali, 13B attivati) e V4-Pro (1,6T totali, 49B attivati). Questo articolo parla del livello Pro. Entrambi sono stati pre-addestrati su circa 33 mila miliardi di token ed entrambi supportano nativamente un contesto da un milione di token.

Il rapporto di sparsità è la cosa da notare: solo circa il 3% dei parametri si attiva su un dato token, ed è questo che rende servibile un modello di queste dimensioni. Il blocco MoE in sé è ancora DeepSeekMoE — gli esperti instradati a grana fine più gli esperti condivisi sempre attivi introdotti in V2 — con solo modifiche minori in V4, la più visibile delle quali è l'instradamento tramite hash nei primi strati. La Multi-Token Prediction, l'obiettivo ausiliario di V3 che abilita anche il decoding speculativo, è mantenuta invariata.

Le novità di V4 sono strutturali. Le Manifold-Constrained Hyper-Connections (mHC) sostituiscono il semplice percorso residuale con una matrice di miscelazione appresa, vincolata alla varietà delle matrici doppiamente stocastiche tramite una proiezione di Sinkhorn–Knopp: un flusso residuale che si ripondera in base all'input senza la deriva numerica che uccide gli stack molto profondi. L'addestramento è passato da AdamW a Muon per la maggior parte dei moduli, con ortogonalizzazione di Newton–Schulz, mantenendo AdamW solo per embedding, teste di predizione, normalizzazione e parametri mHC statici. E i pesi degli esperti sono addestrati in FP4, con la maggior parte degli altri parametri in FP8: consapevolezza della quantizzazione fin dall'inizio, il che conta per quanto elegantemente il modello regge una compressione ulteriore.

03Da MLA a CSA + HCA: come DeepSeek tiene basso il costo del contesto lungo

Il filo conduttore di DeepSeek attraverso quattro generazioni non è la dimensione, è l'economia dell'attenzione. Ogni versione ha attaccato la cache KV, che cresce linearmente con il contesto e domina la memoria alle lunghezze elevate.

• V2 ha introdotto la Multi-head Latent Attention (MLA): una compressione congiunta a basso rango di chiavi e valori in un vettore latente, così la generazione mette in cache quel vettore più una chiave RoPE disaccoppiata invece di K e V completi per ogni testa. DeepSeek ha riportato una cache KV ridotta a circa il 4-14% dell'attenzione multi-testa standard, con qualità mantenuta o migliorata.
• V3 ha portato tutto ciò a 671B, rendendo MLA il presupposto predefinito per il contesto lungo a basso costo nei modelli aperti.
• V3.2 ha aggiunto la DeepSeek Sparse Attention (DSA), che seleziona un sottoinsieme top-k della storia per ogni query tramite un indicizzatore leggero invece di prestare attenzione a tutto.
• V4 ibrida i due approcci. La Compressed Sparse Attention (CSA) comprime prima le voci KV di ogni m token in un'unica voce con pesi appresi, poi esegue una selezione sparsa top-k su quelle voci compresse. La Heavily Compressed Attention (HCA) comprime in modo molto più aggressivo ma resta densa sul risultato. I due tipi di strato sono alternati lungo lo stack, così coesistono un riassunto globale a basso costo e un recupero locale preciso.

Il guadagno riportato su un contesto da un milione di token è netto: V4-Pro richiede circa il 27% dei FLOPs di inferenza per token e il 10% della cache KV di V3.2. Ecco perché una richiesta da 262K si comporta come una richiesta normale e non come un evento di memoria, e perché i numeri di recupero su contesto lungo reggono invece di crollare dopo qualche decina di migliaia di token.

04Che cosa significa il suffisso 3BIT-REAP

Il nostro id di catalogo termina in 3BIT-REAP, e questo descrive due passaggi di compressione indipendenti applicati in ordine.

REAP: potare gli esperti, non fonderli

REAP è Router-weighted Expert Activation Pruning, di Cerebras Research — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», accettato a ICLR 2026. In un MoE sparso il router non usa i suoi esperti in modo uniforme: una lunga coda viene selezionata raramente, debolmente o entrambe le cose. REAP assegna un punteggio a ogni esperto combinando i valori del gate del router (quanto spesso e quanto fortemente viene scelto) con le norme di attivazione dell'esperto (quanto contribuisce il suo output), poi elimina del tutto i perdenti.

L'argomento del paper è che potare batte fondere: la fusione media via la specializzazione funzionale che rendeva il MoE degno di essere costruito, mentre eliminare gli esperti che il router raggiunge a malapena la conserva. Su modelli da 20B a 1T, REAP ha superato la fusione e altri metodi di pruning concorrenti su benchmark generativi, e gli autori riportano risultati quasi senza perdite su generazione di codice e tool calling con un pruning del 50% degli esperti su Qwen3-Coder-480B e Kimi-K2 — che è esattamente il profilo di carico per cui questo modello esiste.

Pesi a 3 bit: il livello di compressione per le basi più grandi

Ciò che sopravvive viene poi quantizzato a pesi da 3 bit. Tre bit sono aggressivi, e non facciamo finta di niente: nella gamma usiamo W8A16 dove la base è abbastanza piccola da non aver bisogno della stretta, W4A16-AUTOROUND-REAP nella fascia intermedia e 3BIT-REAP solo sulle basi più grandi, dove è la differenza tra servire il modello e non servirlo.

Vale la pena dire il compromesso senza giri di parole: un MoE da 1,6T a 3 bit non è identico bit per bit al rilascio di riferimento, e un piccolo costo in qualità è reale. In cambio ottieni una base il cui tetto non compresso sta molto più in alto di qualsiasi modello che entri comodamente a precisione maggiore — e poiché gli esperti di V4 sono stati addestrati fin dall'inizio in FP4, il modello si comporta insolitamente bene sotto un'ulteriore compressione dei pesi. Se vuoi una build DeepSeek con un tocco più leggero sulla precisione, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP usa pesi a 4 bit con attivazioni a 16 bit e l'arrotondamento appreso di AutoRound, sullo stesso contesto da 262K a 0,50 $ in / 2,00 $ out.

05Il ragionamento e la manopola reasoning_effort

Il post-training di V4 addestra separatamente specialisti di dominio — matematica, programmazione, agenti, aderenza alle istruzioni — con SFT seguito da GRPO, il metodo Group Relative Policy Optimization introdotto da DeepSeek con R1. Quegli specialisti vengono poi unificati in un solo modello tramite distillazione on-policy con obiettivo di KL inversa, così un unico checkpoint porta con sé un comportamento di livello specialistico in più domini contemporaneamente, invece di essere un generalista mediocre in tutti.

Il modello rilasciato espone modalità di pensiero graduate anziché un interruttore binario. Sul nostro gateway questo corrisponde al parametro standard reasoning_effort, la manopola più utile di questo modello:

• Low — risposta quasi diretta: classificazione, estrazione, riscrittura, tutto ciò per cui stai pagando la conoscenza del modello e non la sua deliberazione.
• Medium — la modalità di lavoro predefinita per revisione del codice, debug e analisi in più passaggi.
• High — lunga deliberazione prima di rispondere. È qui che si risolvono i problemi difficili ed è qui che vive il conto dei token in output, dato che i token di ragionamento sono fatturati come output.

Poiché non c'è alcuno strato di rifiuto, la traccia di ragionamento non viene troncata su argomenti sensibili: il fenomeno di soppressione del pensiero documentato sul servizio di prima parte non ha qui alcun meccanismo con cui prodursi.

06Codice e lavoro agentico: i punteggi della base

Questi sono i dati pubblicati da DeepSeek-AI per il rilascio di V4-Pro: non sono nostri e non sono misurati sulla nostra build quantizzata. Li mostriamo perché sono la ragione onesta per scegliere questa base, e li segnaliamo come dati di prima parte così puoi pesarli di conseguenza.

Due meritano un commento. SWE-bench Verified all'80,6% è risoluzione di issue su repository reali: leggere una base di codice sconosciuta, individuare il difetto, produrre una patch che superi i test del progetto stesso. MRCR a un milione di token (83,5) è recupero con coreferenza su più turni a lunghezza piena, il numero che ti dice che la promessa sul contesto lungo non è decorativa. DeepSeek riporta anche un rating Codeforces di 3206 per il modello e 62,0 su CorpusQA con contesto da 1M.

I dati qui sopra sono riportati da DeepSeek-AI per il rilascio di riferimento di DeepSeek-V4-Pro. La nostra build 3BIT-REAP è una variante compressa di quei pesi e non è stata sottoposta a benchmark indipendenti su questi compiti; considera i punteggi di riferimento come il tetto della base, non come una misurazione di questo endpoint.

07262K di contesto: che cosa ci sta davvero dentro

Il modello di riferimento è addestrato per un milione di token. Noi ne serviamo 262.144, la finestra che ogni modello sul gateway condivide, così cambiare modello è una modifica di una riga e non è mai una regressione di contesto. In pratica 262K è oltre il punto in cui il contesto vincola la maggior parte del lavoro reale:

Carico di lavoro	Token approssimativi	Ci sta in 262K?
Repo di servizio di media dimensione (~50k righe)	~600K	No — seleziona i moduli
Un singolo sottosistema con i suoi test	~60–120K	Sì, comodamente
L'insieme completo di RFC di un protocollo	~150K	Sì
Un libro tecnico di 700 pagine	~250K	Sì, vicino al limite
Lunga esecuzione agentica, oltre 40 turni con strumenti	~80–200K	Sì

Il limite da tenere in conto è l'output: massimo 16.384 token per risposta. È un documento lungo o una patch consistente su più file, ma non una base di codice. I lavori di generazione di grandi dimensioni si fanno concatenando richieste con l'output precedente rimesso nel contesto — cosa che la finestra da 262K rende economica — invece di chiedere un unico completamento enorme.

08Prezzo e posizione di V4-Pro nella gamma

A 1,95 $ in / 3,90 $ out per milione di token, V4-Pro è il livello di punta per il ragionamento: il modello a cui ricorri quando il problema è difficile. Quando è soltanto grande, modelli più economici sulla stessa finestra da 262K lo faranno per un quarto del prezzo.

Modello senza censura	In / 1M	Out / 1M	Visione	Ideale per
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	No	Ragionamento difficile, codice, agenti
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	No	Stessa origine, alti volumi
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	No	Cavallo da tiro generalista
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Sì	Agenti multimodali di fascia alta
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Sì	La visione più economica

Diciamolo chiaramente sul confronto che tutti faranno: l'API di DeepSeek costa meno di questa — il V4-Pro di prima parte è listato attorno a 0,435 $ in / 0,87 $ out, e il prezzo dell'input con cache hit è ancora più basso. Se il prezzo per token è il tuo unico criterio e il comportamento di moderazione non incide sul tuo lavoro, usa l'API di prima parte; preferiamo dirtelo piuttosto che fartelo scoprire dopo. Il sovrapprezzo compra un insieme diverso di proprietà: nessuno strato di rifiuto e nessun filtro sull'output, un operatore statunitense sotto Shannon Lab LLC, un checkpoint datato fissato (0813) così un aggiornamento silenzioso a monte non cambia mai i tuoi output a metà progetto, tre dialetti API su un solo modello e la stessa finestra da 262K e la stessa superficie di parametri su tutti e dodici i modelli della gamma.

09Come chiamarlo: tre dialetti, un modello

Ogni modello sul gateway risponde su tutti e tre gli endpoint, con streaming su ciascuno. Non devi adottare un nuovo SDK: cambi un base URL e un id di modello.

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 — dialetto OpenAI; funziona con gli SDK OpenAI e con qualsiasi cosa costruita su di essi.
• /v1/messages — dialetto Anthropic, per basi di codice già scritte su quella forma.
• /v1/responses — l'interfaccia in stile Responses.

Supportati su questo modello: streaming, tool calling nativo, output strutturato json_schema in modalità strict, response_format e reasoning_effort. Il riferimento completo dei parametri e un playground interattivo sono nella documentazione API.

10Limiti dichiarati onestamente

Quattro cose da sapere prima di costruirci sopra:

• Niente visione. Solo testo; non accetta immagini in input su nessun endpoint. Se ti serve un modello senza censura che veda, usa Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 o inkling.
• Tetto di 16.384 token in output. Con sforzo alto i token di ragionamento vi rientrano, quindi una lunga deliberazione lascia meno spazio alla risposta. Concatena le richieste per i lavori di generazione estesi.
• 3 bit sono una compressione vera. I punteggi di riferimento descrivono la base, non questa build. Per il livello di massima fedeltà, i modelli W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) sono quelli meno quantizzati.
• Senza censura non significa senza conseguenze. Nessuno strato di rifiuto significa che la responsabilità di ciò che chiedi, e di ciò che fai con la risposta, resta tua — secondo i nostri termini di servizio e la legge del luogo in cui operi.

11Domande frequenti

---

Fonti: DeepSeek-AI — scheda modello DeepSeek-V4-Pro · Rapporto tecnico DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Rapporto tecnico DeepSeek-V3 · REAP the Experts (Cerebras Research) · Audit sulla censura di Promptfoo · Discovering Forbidden Topics in Language Models. I dati di benchmark sono riportati da DeepSeek-AI per il rilascio di riferimento; la verifica indipendente di terze parti sulla build compressa è in attesa. I prezzi sono i prezzi di listino di Shannon AI al 5 settembre 2026.