უცენზურო DeepSeek Flash API

გუნდების უმეტესობა, რომელიც LLM API-ს აფასებს, არასწორ ცვლადს ოპტიმიზირებს. ისინი ყველაზე რთულ ოცი პრომპტზე ტესტავენ, გამარჯვებულს ირჩევენ და ექვსი კვირის შემდეგ აღმოაჩენენ, რომ ტრაფიკის ოთხმოცდათხუთმეტი პროცენტი მოკლე, სტრუქტურირებული, განმეორებადი სამუშაოა, რომელსაც ოთხჯერ იაფი მოდელიც იდენტურად გაართმევდა თავს. DeepSeek-V4-Flash სწორედ ამ ოთხმოცდათხუთმეტი პროცენტისთვის არსებობს. ეს გვერდი იმაზეა, როგორ იცნობთ, როცა ამ ჯგუფში ხართ — და როცა არა.

01რას იღებთ სინამდვილეში

თვისება	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
მოდელის id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
კონტექსტი / მაქს. გამომავალი	262,144 ტოკენი / 16,384 ტოკენი
ფასი 1M-ზე (შემავალი / გამომავალი)	$0.50 / $2.00
სტრიმინგი · ინსტრუმენტების გამოძახება · მსჯელობა	დიახ — სამივე დიალექტზე
სტრუქტურირებული გამოსავალი	json_schema და response_format
სურათის შემავალი (ხედვა)	არა — მხოლოდ ტექსტი
უარის ფენა / გამოსავლის ფილტრი	არცერთი
მუშაობს	Shannon-ის საკუთარ GPU კლასტერზე

სამი API დიალექტი იმავე წონებამდე მიდის: /v1/chat/completions (OpenAI-ის ფორმა), /v1/messages (Anthropic-ის ფორმა) და /v1/responses. სტრიმინგი სამივეზე მუშაობს. სრული პარამეტრების ცნობარი API-ის დოკუმენტაციაშია.

02საიდან მოდის: DeepSeek-ის წარმომავლობა

DeepSeek-AI-მ ხუთი მოდელის თაობა ერთ იდეაზე დახარჯა: სასაზღვრო ქცევის მიღება მოდელისგან, რომლის მომსახურებაც იაფია და არა მხოლოდ წვრთნა. ამ ხაზში თითქმის ყოველი არქიტექტურული გადაწყვეტილება სწორედ აქედან იწყება, და მნიშვნელოვანები გამოქვეყნებულია. სამი მათგანი განმარტავს, რას იძახებთ, როცა ამ ენდპოინტს მიმართავთ.

DeepSeekMoE — წვრილმარცვლოვანი ექსპერტები პლუს საზიარო

ექსპერტთა ნაზავის (MoE) ფენა ერთ დიდ წინგადაცემულ ქსელს ცვლის ბევრი პატარათი და მარშრუტიზატორით, რომელიც ტოკენზე მათგან რამდენიმეს ირჩევს. DeepSeek-ის ვარიანტი ექსპერტებს ჩვეულებრივ რვაექსპერტიან განლაგებაზე უფრო წვრილად ჭრის, ასე რომ იგივე გააქტიურებული FLOP-ები გაცილებით უფრო კომბინატორულად ზუსტ ნაზავს ყიდულობს, და გამოყოფს საზიარო ექსპერტს, რომელსაც ყოველი ტოკენი გადის, ასე რომ საერთო ცოდნა ზედმეტად არ ისწავლება თითოეულ სპეციალისტში ხელახლა. DeepSeek-V3 ეს გამოუშვა როგორც 256 მარშრუტიზებული ექსპერტი პლუს 1 საზიარო ექსპერტი, ტოკენზე 8 მარშრუტიზებულის აქტივაციით — 671B ჯამური პარამეტრი, 37B აქტიური — დამატებითი ზარალის გარეშე დატვირთვის დაბალანსებასთან ერთად: ჯარიმის წევრის ნაცვლად, რომელიც ხარისხს აუარესებს, თითოეული ექსპერტისთვის მიკერძოება ყოველ ნაბიჯზე მარშრუტიზაციის ქულებს მაღლა ან დაბლა სწევს, იმის მიხედვით, არის თუ არა ეს ექსპერტი დატვირთული ან არასაკმარისად დატვირთული.

MLA — ყურადღება, რომელიც მეხსიერებაში ეტევა

მომსახურების ფასის პრობლემის მეორე ნახევარი KV ქეშია, რომელიც კონტექსტთან ერთად წრფივად იზრდება და დომინირებს მეხსიერებაზე გრძელ სიგრძეებზე. Multi-head Latent Attention-მა, შემოღებულმა DeepSeek-V2-ში, გასაღებები და მნიშვნელობები ერთობლივად დაბალრანგიან ლატენტურ ვექტორში შეკუმშა და სწორედ ის იქეშება, საჭირო K/V კი გაშვების დროს გამოითვლება. DeepSeek-ის გამოქვეყნებული V2 ციფრები, მათი უფრო ადრეული მკვრივი DeepSeek 67B-სთან შედარებით, აღნიშნავს KV ქეშის 93.3%-იან შემცირებას და 5.76-ჯერ მაღალ მაქსიმალურ გენერაციის გამტარუნარიანობას. სწორედ ამიტომაა 262K-ტოკენიანი ფანჯარა ამ ოჯახში ჩვეულებრივი წესი და არა პრემიუმ დანამატი.

მეჩხერი ყურადღება — და იაფი ტოკენების პრეცედენტი

V3.2-Exp-მა დაამატა DeepSeek Sparse Attention: მსუბუქი ინდექსატორი კონტექსტის ტოკენებს მოთხოვნის მიმართ აფასებს, სელექტორი კი მხოლოდ უმაღლესი ქულის მქონეებს ინარჩუნებს. საინტერესო ნაწილი მექანიზმი კი არა, ქვითარია. DeepSeek-მა გამოაქვეყნა პირდაპირი შედარება V3.1-Terminus-თან: MMLU-Pro იდენტური 85.0-ზე, AIME 2025 აწეული (88.4 → 89.3), SWE-bench Verified ოდნავ დაწეული (68.4 → 67.8) — ხარისხი არსებითად უცვლელი — და იმავე დღეს API-ის ფასები 50%-ზე მეტით შეამცირეს. არქიტექტურა, პატიოსნად მოხსენებული, პირდაპირ ფასად გადაქცეული. Flash ეს არგუმენტი ერთი ნაბიჯით შემდგომ წაღებულია.

V4-ის თაობა

V4, წარდგენილი 2026 წლის აპრილში MIT ლიცენზიით, კვლავ ცვლის ყურადღების დასტას Compressed Sparse Attention-ისა და Heavily Compressed Attention-ის ჰიბრიდით, 32 ტრილიონზე მეტ ტოკენზე Muon ოპტიმიზატორით იწვრთნება და ინარჩუნებს V3-ის მრავალტოკენიანი პროგნოზირების ამოცანას — რომელიც სპეკულაციურ დეკოდირებადაც მუშაობს და რომელიც DeepSeek-მა V3-ში დაახლოებით 85–90%-იან მეორე-ტოკენის მიღების მაჩვენებლად გაზომა, დაახლოებით 1.8-ჯერადი დეკოდირების აჩქარებისთვის. V4-ის აბსტრაქტი აღნიშნავს, რომ V4-Pro მუშაობს V3.2-ის ერთტოკენიანი ინფერენსის FLOP-ების 27%-სა და KV ქეშის 10%-ზე. ოჯახი მსჯელობის ძალისხმევის სამ დონეს გამოააშკარავებს, რაზეც ჩვენი reasoning_effort პარამეტრი გადადის.

წყაროები: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 ტექნიკური ანგარიში (arXiv 2412.19437) · DeepSeek-V3.2-Exp მოდელის ბარათი · DeepSeek-V4 (arXiv 2606.19348). ყველა ციფრი DeepSeek-ის მიერაა მოხსენებული.

03რას ნიშნავს სინამდვილეში „Flash“

ეს არის წერტილი, სადაც შედარებების უმეტესობა ცდება, ამიტომ პირდაპირ ვიტყვით: DeepSeek-ის Flash არაა კვანტიზებული, გასხვლილი ან დისტილირებული Pro. ეს ცალკე გაწვრთნილი, პატარა ექსპერტთა ნაზავის მოდელია, საკუთარი წინასწარი წვრთნის გაშვებით. V4-ის წინასწარი ნაშრომი ორივე ზომას იძლევა:

ციფრები DeepSeek-V4-ის წინასწარი ნაშრომიდან. ოფიციალური ჩექფოინთები, რომლებსაც ვემსახურებით — V4-Flash-0731 და V4-Pro-0813 — თავიანთ მოდელის ბარათებზე ოდნავ დიდ ჯამურ რიცხვებს ასახელებენ, 304B-სა და 1.7T-ს; DeepSeek ამ ბილდებისთვის აქტივირებულ პარამეტრებს ხელახლა არ აქვეყნებს.

ორი რიცხვი აქ მუშაობს. ჯამური პარამეტრები მეხსიერების ზომას განსაზღვრავს, რაც წყვეტს, რამდენ აპარატურას იკავებს მოდელის ერთი ასლი. აქტივირებული პარამეტრები ტოკენზე არითმეტიკას განსაზღვრავს, რაც გამტარუნარიანობას წყვეტს. Flash დაახლოებით 5.6-ჯერ პატარაა პირველზე და 3.8-ჯერ — მეორეზე — და ამ სხვაობაში საყურადღებო დახვეწილობაცაა: Flash 284 მილიარდიდან 13-ს, დაახლოებით 4.6%-ს, აქტივირებს, Pro კი 1,600 მილიარდიდან 49-ს, დაახლოებით 3.1%-ს. Flash ნაკლებად მეჩხერი მოდელია. ის უბრალოდ Pro არაა ნაკლები ჩართული ექსპერტით; ეს უფრო მკვრივი, სხვაგვარად დაბალანსებული დიზაინია, რომელიც საკუთარი თავის უფრო დიდ წილს ხარჯავს ყოველ წარმოქმნილ ტოკენზე. ეს რეალური საინჟინრო არჩევანია და არა დაქვეითება.

რას ამბობს DeepSeek-ის საკუთარი ციფრები

ორივე ოფიციალური მოდელის ბარათი ერთსა და იმავე აგენტურ და პროგრამული ინჟინერიის ბენჩმარკებზე ქულებს აქვეყნებს, რაც ამას უჩვეულოდ სუფთა შედარებად აქცევს — იგივე ლაბორატორია, იგივე შეფასების ხელსაწყოები, ორი ზომა:

ბენჩმარკი (DeepSeek-ის მიხედვით)	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 იმარჯვებს ყოველ სტრიქონში. ეს პატიოსანი სათაურია და გვირჩევნია აქ წაიკითხოთ, ვიდრე წარმოებაში აღმოაჩინოთ. მაგრამ წაიკითხეთ ზღვრები, რადგან სწორედ ეს არის ის, რასაც სინამდვილეში ყიდულობთ. Terminal Bench 2.1-ზე სხვაობა 5.2 ქულაა მოდელზე, რომელსაც პარამეტრების ოცდამეხუთედი აქვს; ინსტრუმენტების გამოყენებაზე ეს 3.8 ქულაა. სხვაობა ფართოვდება იქ, სადაც სამუშაო ყველაზე ღრმავდება — 8.3 ქულა DeepSWE-ზე, 7.3 NL2Repo-ზე, ორივე ისეთი, რაც გაჭიანურებულ, მრავალსაფეხურიან კოდის მსჯელობას აჯილდოვებს. ეს არის გარიგების ფორმა ერთ ცხრილში: Flash შემოსაზღვრულ ამოცანებზე დისტანციის უმეტესობას ხურავს და ღია დაბოლოებიან ამოცანებზე თმობს.

DeepSeek-ის საკუთარი Flash ბარათი ამას კიდევ უფრო მკვეთრად ამბობს: Flash-0731 აჯობებს V4-Pro-ს წინასწარ ვერსიას ჩამოთვლილ ბენჩმარკებზე, მისი გაცილებით ნაკლები აქტივირებული პარამეტრების მიუხედავად. ახალი პატარა მოდელი, რომელიც ძველ დიდს ამარცხებს, ამ სფეროში ჩვეულებრივი მდგომარეობაა და სწორედ ამის გამო არასოდეს უნდა იყოს „მეტი დონე“ თქვენი ნაგულისხმევი პასუხი.

04სუფიქსის წაკითხვა: W4A16-AUTOROUND-REAP

ჩვენი მოდელის იდენტიფიკატორები საკუთარ შეკუმშვის სქემას ხმამაღლა ამბობს, რადგან სწორედ ეს მოქმედებს ყველაზე მეტად გამოსავლის ხარისხზე და თითქმის არავინ ამხელს ამას. ეს ერთი სამ მტკიცებად იშლება.

W4A16 — 4-ბიტიანი წონები, 16-ბიტიანი აქტივაციები

წონები 4 ბიტად ინახება; აქტივაციები 16-ბიტიანი სიზუსტით მიედინება. ეს მხოლოდ-წონის კვანტიზაციაა და ის რეალურ დაბრკოლებას მიმართავს ტოკენის გენერაციაში — მეხსიერების გამტარუნარიანობას და არა არითმეტიკას. აქტივაციების კვანტიზაციაც ცოტა სისწრაფეს იყიდიდა და გაცილებით დიდ სიზუსტის ვარდნას გარისკავდა; მათი 16 ბიტზე დატოვება კონსერვატიული, მაღალი ერთგულების არჩევანია. ეს ჩანაწერი მომსახურების ეკოსისტემის სტენოგრაფიაა — კვანტიზაციის ლიტერატურა იმავეს W4-ს წერს ჯგუფის ზომით.

AUTOROUND — ნასწავლი დამრგვალება, არა უახლოესზე დამრგვალება

გულუბრყვილო კვანტიზაცია ყოველ წონას უახლოეს წარმოსადგენ მნიშვნელობამდე ამრგვალებს. ეს დამტკიცებულად არაოპტიმალურია: ერთი წონის „არასწორად“ დამრგვალებამ შეიძლება გააუქმოს მისი მეზობლების მიერ შეტანილი ცდომილება, და მილიარდობით წონასთან ეს ურთიერთქმედებები დომინანტურია. AutoRound-მა, Intel-ისგან, დამრგვალების გადაწყვეტილება თავად საწავლ საგნად აქცია — სასწავლო წონა-ზე-წონა შეშფოთება, შეზღუდული ±0.5-მდე, ზუსტად საკმარისი ნებისმიერი ერთი დამრგვალების გადაწყვეტილების შესაბრუნებლად და არასოდეს მეტი, პლუს სასწავლი ჭრის დიაპაზონები, ოპტიმიზებული ნიშნიანი გრადიენტული დაშვებით ბლოკურად გამოსავლის რეკონსტრუქციის ამოცანის მიმართ პატარა კალიბრაციის ნაკრებზე. ორასი ნაბიჯი და მორჩა.

Intel-ის გამოქვეყნებული შედარებები AutoRound-ს 32-დან 30 ტესტირებულ სცენარში GPTQ-ს სჯობს, 32-დან 27-ში — AWQ-ს და 32-დან 29-ში — OmniQuant-ს, 4-ბიტიან მხოლოდ-წონის პარამეტრებზე, გულუბრყვილო უახლოესზე დამრგვალებასთან შედარებით 2 ბიტზე 6.9-დან 33.2 სიზუსტის ქულამდე მოგებით. ამის არცერთი არაფერს უჯდება ინფერენსის დროს: ეს ერთხელ, ოფლაინში მიღებული რიცხვების უკეთესი არჩევანია.

REAP — ექსპერტების ჩამოშორება, რომლებსაც არავინ მარშრუტიზებს

REAP (Router-weighted Expert Activation Pruning), Cerebras Systems-ისა და Calgary-ის უნივერსიტეტისგან, MoE მოდელების ერთჯერადი შეკუმშვაა. ის თითოეულ ექსპერტს აფასებს იმის მიხედვით, რამდენად ძლიერად და ხშირად კარიბჭდება მასთან მარშრუტიზატორი, გამრავლებული ამ ექსპერტის გამოსავლის სიდიდეზე, შემდეგ კი პირდაპირ შლის ყველაზე ნაკლებად საჭირო ექსპერტებს — ხელახალი წვრთნის გარეშე.

ნაშრომის მთავარი დასკვნა სასარგებლოა: მაღალი შეკუმშვის კოეფიციენტებზე ექსპერტების გასხვლა შერწყმას სჯობს. ფუნქციურად განსხვავებული ექსპერტების შერწყმა იწვევს იმას, რასაც ავტორები ფუნქციური ქვესივრცის კოლაფსს უწოდებენ — მარშრუტიზატორი კარგავს იმ წვრილმარცვლოვან, შემავალზე დამოკიდებულ კონტროლს, რის გამოც MoE-ის აშენება ღირდა, და რჩება სტატიკურ საშუალოებს შორის მართვასთან. მათი ციფრები 20B-დან 1T-პარამეტრიან მოდელებზე: კოდირების ამოცანებზე 25%-იანი ექსპერტების შეკუმშვისას REAP კარგავს საშუალო სიზუსტის 2.8%-ს, სადაც შერწყმის საბაზისო მეთოდები 5%-ზე მეტს კარგავენ; 50%-ზე REAP 8.0%-ს კარგავს, სადაც შერწყმა 20%-ზე მეტს კარგავს. Qwen3-Coder-480B-ზე 50%-იან გასხვლაზე ვარდნა 1.4%-ია, გულუბრყვილო სიხშირეზე დაფუძნებული გასხვლის 39.3%-ის საპირისპიროდ. Cerebras-მა REAP ჩექფოინთები გამოაქვეყნა, სხვათა შორის, DeepSeek-ის ხაზისთვისაც.

რატომ 4 ბიტი აქ და 3 ბიტი Pro-ზე

ორივე დონეს იმავე კლასის აპარატურაზე უნდა ეტიოს და სწრაფად დარჩეს. Pro 1.7 ტრილიონ პარამეტრს ატარებს, ამიტომ საერთოდ დასატევად უფრო აგრესიული 3-ბიტიანი მოპყრობა სჭირდება. Flash დაახლოებით 300 მილიარდს ატარებს, ამიტომ ეს არ სჭირდება — და დაზოგილი ბიტი ერთგულებაზე იხარჯება და არა დატევაზე.

ეს დამატებითი ბიტი უფრო მეტს ნიშნავს, ვიდრე მისი არითმეტიკა გვთავაზობს, რადგან კვანტიზაციის ზიანი წრფივი არაა. AWQ ნაშრომის WikiText-2 გაზომვებში, Llama-2-7B 5.47 პერპლექსიურობიდან FP16-ზე მიდის 5.60-მდე 4 ბიტზე — 2.4%-იანი ჯარიმა — მაგრამ 6.24-მდე 3 ბიტზე, 14%-იანი ჯარიმა. ეს დაახლოებით ექვსჯერ მეტი დაზიანებაა 25%-ით მეტ შეკუმშვაზე, და იგივე შაბლონი 70B-ზეც ინარჩუნებს ძალას. GPTQ ნაშრომი კიდევ უფრო პირდაპირია: 3 ბიტზე გულუბრყვილო უახლოესზე დამრგვალება 175B-კლასის მოდელებზე იშლება, ათასობით პერპლექსიურობამდე, სანამ 4 ბიტზე სრულიად გამოსადეგი რჩება. ოთხ ბიტზე დაბლა, კვანტიზაციის კარგი ალგორითმი წყვეტს იყოს კეთილი დანამატი და ხდება ერთადერთი რამ, რაც მოდელს ერთად ინახავს.

ამიტომ ამ ორი სუფიქსის პატიოსანი წაკითხვაა: Flash საკუთარ შეუკუმშავ თავთან უფრო ახლოს დგას, ვიდრე Pro საკუთართან. Pro მაინც უფრო ძლიერი მოდელია — ზემოთ ბენჩმარკის ცხრილი ამას წყვეტს. მან უბრალოდ აქ მისვლისთვის მეტი დათმო, და თქვენ ამ პრივილეგიისთვის იხდით.

წყაროები: AutoRound — «Optimize Weight Rounding via Signed Gradient Descent for the Quantization of LLMs» (arXiv 2309.05516), Intel, EMNLP 2024 Findings. REAP — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression» (arXiv 2510.13999), Cerebras Systems. პერპლექსიურობის ციფრები AWQ-დან (arXiv 2306.00978) და GPTQ-დან (arXiv 2210.17323).

05Flash Pro-ს წინააღმდეგ ენდპოინტზე

03-ე ნაწილი საფუძვლებს ფარავდა. აი, როგორ გამოიყურება ორი დონე პროდუქტებად ჩვენს გეითვეიზე:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
კვანტიზაცია	W4A16-AUTOROUND-REAP	3BIT-REAP
წონის სიზუსტე	4 ბიტი, ნასწავლი დამრგვალება	3 ბიტი
საფუძველი (ჯამური / აქტიური)	~304B / 13B	~1.7T / 49B
შემავალი 1M ტოკენზე	$0.50	$1.95
გამომავალი 1M ტოკენზე	$2.00	$3.90
კონტექსტი / მაქს. გამომავალი	262,144 / 16,384	262,144 / 16,384
ინსტრუმენტები · სტრუქტურირებული გამოსავალი · სტრიმინგი	დიახ	დიახ
ხედვა	არა	არა
უარის ფენა	არცერთი	არცერთი

შენიშნეთ, რაც არ იცვლება: კონტექსტი, გამოსავლის ჭერი, ინსტრუმენტების გამოძახება, სტრუქტურირებული გამოსავალი და უარის ფენის არარსებობა იდენტურია. მხოლოდ საფუძველი, კვანტიზაცია და ფასი მოძრაობს. ეს მათ შორის გადართვას თქვენს კოდში ერთსტრიქონიან ცვლილებად აქცევს და თქვენს არქიტექტურაში სუფთა ეკონომიკურ გადაწყვეტილებად.

რა ღირს ერთი მაქსიმალური ზომის გამოძახება

შეავსეთ მთელი 262,144-ტოკენიანი კონტექსტი და აიღეთ სრული 16,384-ტოკენიანი გამომავალი:

სასაქონლო ფასად. Flash: $0.131 შემავალი + $0.033 გამომავალი. Pro: $0.511 + $0.064. თანაფარდობა 3.51×. Flash ასევე იზიარებს $0.50 / $2.00 ფსკერს MiniMax-M3-თან, Laguna-S-2.1-თან, MiMo-V2.5-თან, MiMo-V2.5-Pro-სთან და Hy3-თან — იხილეთ სრული კატალოგი, თუ როგორ განსხვავდებიან ისინი ხედვასა და სტრუქტურირებულ გამოსავალზე.

06მოცულობის არითმეტიკა, გამოთვლილი

„3.9× იაფი“ მხოლოდ შემავალზეა მართალი. გამომავალზე Flash 1.95× იაფია. თქვენი რეალური დანაზოგი ამიტომ თქვენს შემავალ-გამომავალ თანაფარდობაზეა დამოკიდებული, და დიაპაზონი საკმარისად ფართოა, რომ დიზაინის გადაწყვეტილებები შეცვალოს. ოთხი რეალისტური დატვირთვა, თითოეული 100,000 მოთხოვნაზე:

დატვირთვა	შემავალი / გამომავალი გამოძახებაზე	Flash	Pro	დანაზოგი
ბილეთის კლასიფიკაცია	1,200 / 120	$84	$281	3.3×
RAG კითხვა-პასუხი	8,000 / 600	$520	$1,794	3.4×
გრძელი დოკუმენტის შეჯამება	60,000 / 1,500	$3,300	$12,285	3.7×
სინთეზური მონაცემების გენერაცია	500 / 2,000	$425	$878	2.1×

შაბლონი: რაც მეტ კონტექსტს უბიძგებთ და რაც ნაკლებ ტექსტს აწარმოებთ, მით მეტს დაზოგავს Flash. ამოღების კონვეიერები, დოკუმენტების სორტირება, ლოგისა და სტენოგრამის ანალიზი და გრძელკონტექსტიანი ამოღება ტკბილი წერტილია — ისინი შემავალით დომინირებულია სიდიდის რიგით, და შემავალშია ის 3.9× ფასდაკლება. თუ ამის ნაცვლად თქვენი დატვირთვა მოკლე პრომპტია, რომელიც ათასობით ტოკენ პროზას აწარმოებს, სხვაობა დაახლოებით 2×-მდე ვიწროვდება და Pro-ს შესაძლებლობის არგუმენტი შესაბამისად ძლიერდება.

კიდევ ერთი არითმეტიკა, რომლის შინაგანად გათავისებაც ღირს: $0.50-ად მილიონ შემავალ ტოკენზე, მთელი 262,144-ტოკენიანი ფანჯარის შევსება 13.1 ცენტი ღირს. გრძელკონტექსტიანი მოთხოვნა ამ ფასზე ბიუჯეტის საკითხად წყვეტს ყოფნას, რაც ხანდახან ნიშნავს, რომ საერთოდ შეგიძლიათ გამოტოვოთ ამოღების ფენის აშენება და კონტექსტის ფანჯარას მისცეთ სამუშაოს კეთება — საინჟინრო დანაზოგი ტოკენის დანაზოგზე ზემოთ.

07რას ნიშნავს „უცენზურო“ აქ, ზუსტად

სიტყვა ხშირად თავისუფლად გამოიყენება, ამიტომ აი ჩვენი განსაზღვრება, ენდპოინტის თვისებად ჩამოყალიბებული: მოდელის წინ უარის კლასიფიკატორი არ დგას და მის გამოსავალზე კონტენტის ფილტრი არ ედება. არაფერი წყვეტს პრომპტს და აბრუნებს დაკონსერვებულ უარს; არაფერი ამოწმებს დასრულებას და შლის მას. მაღალი მოცულობის საწარმოო სამუშაოსთვის შედეგები ნაკლებად დრამატულია და უფრო სასარგებლო, ვიდრე სიტყვა გვთავაზობს:

• ცრუ დადებითი შედეგები უსაფრთხო ტრაფიკზე არ არსებობს. ფილტრირებული ენდპოინტები რუტინულად უარს ამბობს სამედიცინო შეჯამებებზე, უსაფრთხოების ანგარიშებზე, სამართლებრივ დისკავერზე, მხატვრულ ლიტერატურაზე, ზიანის შემცირების მასალასა და თავად მოდერაციის სამუშაოზე — ზუსტად იმ კატეგორიებზე, სადაც ბატჩ სამუშაო მგრძნობიარე თემაზე ტექსტს ამუშავებს და არა მავნეს აწარმოებს. ასი ათას მოთხოვნაზე, ერთპროცენტიანი ცრუ-უარის მაჩვენებელი ათასი გატეხილი სტრიქონია.
• დეტერმინისტული კონტრაქტები. სთხოვეთ json_schema პასუხი და მიიღებთ სქემასთან შესატყვის JSON-ს და არა აბზაცს ბოდიშით იმ ადგილას, სადაც ობიექტი უნდა ყოფილიყო. თქვენს პარსერს უარის განშტოება არ სჭირდება და თქვენს ხელახლა ცდის ლოგიკას არ უწევს ტრანსპორტის შეცდომის პოლიტიკის შეცდომისგან განცალკევება.
• თქვენ ფლობთ პოლიტიკას. ეს გარიგებაა. თუ თქვენს პროდუქტს საბოლოო მომხმარებლებისთვის დამცავები სჭირდება, ააშენებთ მათ თქვენს ფენაზე, სადაც იცნობთ თქვენს მომხმარებლებსა და იურისდიქციას, ამის ნაცვლად, რომ მიიღოთ პროვაიდერის მიხედვები ორივეზე. თქვენს ანგარიშს კვლავ ჩვენი პასუხისმგებლიანი გამოყენების პოლიტიკა მართავს.

უცენზურო არ ნიშნავს არამორგებულს ან უსარგებლოს. მოდელი კვლავ ასრულებს ინსტრუქციებს და კვლავ პატივს სცემს სისტემურ პრომპტს. თუ გინდათ, რომ მან გარკვეული კატეგორიები თქვენი მომხმარებლებისთვის უარყოს, თქვით ეს იქ — ეს ინსტრუქცია ახლა თქვენია დასაწერად და არა ჩვენია დასაწესებელი.

08შესაძლებლობები და პატიოსანი შეზღუდვები

ორი შესაძლებლობა ატარებს მოცულობითი სამუშაოს ძირითად წონას. მკაცრი json_schema გამოსავალი დასრულებას მონაცემთა ბაზის სტრიქონად აქცევს პარსინგის ფენისა და უარის განშტოების გარეშე. ინსტრუმენტების გამოძახება სამივე დიალექტში Flash-ს გონივრულ ძრავად აქცევს იმ აგენტის იაფი ქვესაფეხურებისთვის, რომლის ზედა დონის დამგეგმავი უფრო ძლიერ მოდელზე მუშაობს. დაამატეთ reasoning_effort, რომელიც საშუალებას გაძლევთ დამატებითი ტოკენები დახარჯოთ მხოლოდ ტრაფიკის იმ წილზე, რომელსაც ისინი სჭირდება, და 262,144-ტოკენიანი კონტექსტი, Pro-ს იდენტური — არ ნებდებით კონტექსტს იაფი დონის არჩევით, რაც უჩვეულოა.

შეზღუდვები ამდენივე კონკრეტულია:

• ხედვა არ აქვს. Flash მხოლოდ ტექსტურია და მესიჯში სურათის ნაწილებს უარყოფს. სურათებისთვის იმავე $0.50 / $2.00 ფსკერზე უცენზურო მოდელზე, MiniMax-M3 და MiMo-V2.5 ხედვაზე უნარიანი ვარიანტებია; Kimi-K2.6 და Kimi-K3 ამ დონეზე მაღლა უფრო ძლიერი ხედვის მოდელებია.
• არაა კიბის სათავეში. DeepSeek-ის საკუთარი ციფრები Pro-ს ყოველ გამოქვეყნებულ აგენტურ ბენჩმარკზე წინ აყენებს, სხვაობა ყველაზე ფართოა გაჭიანურებულ მრავალსაფეხურიან კოდის მსჯელობაზე. სადაც ერთი არასწორი პასუხი ათას იაფზე მეტს ღირს, დახარჯეთ დამატებითი $1.45 მილიონზე DeepSeek-V4-Pro-ზე.
• 16,384 გამომავალი ტოკენი მოთხოვნაზე. გრძელი გენერაციები მოთხოვნებად უნდა დაიჭრას. ეს იგივე ჭერია ყოველ მოდელზე, რომელსაც ვემსახურებით, და ის კონტექსტის ფანჯარაზე ბევრად ადრე იჭერს.

09გამოძახება

მიმართეთ ნებისმიერი OpenAI-თან თავსებადი კლიენტი გეითვეისკენ და შეცვალეთ მოდელის სტრიქონი. თქვენს სტეკში დანარჩენს არაფერი სჭირდება გადაადგილება.

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
        }
      }
    }
  }'

იგივე მოდელის იდენტიფიკატორი უცვლელად მუშაობს /v1/messages-სა და /v1/responses-ზეც, რაც არსებული ინტეგრაციის ქვეშ იაფი მოდელის A/B ტესტირების ყველაზე სწრაფი გზაა თქვენი კლიენტის ხელახლა დაწერის გარეშე. პარამეტრები, სტრიმინგის მოვლენების ფორმები, ინსტრუმენტების გამოძახების სქემები და სიხშირის ლიმიტები დოკუმენტირებულია API-ის ცნობარში; კატალოგის ყოველი მოდელი ჩამოთვლილია Shannon Research-ში.

10ხშირად დასმული კითხვები

---

წყაროები: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 ტექნიკური ანგარიში (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731-ისა და DeepSeek-V4-Pro-0813-ის მოდელის ბარათები · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). ყველა საფუძვლისა და ბენჩმარკის ციფრი შესაბამისი ავტორების მიერაა გამოქვეყნებული; Shannon AI-ს ფასები და მოწოდებული კონტექსტი ჩვენი საკუთარი სასაქონლო მნიშვნელობებია 2026 წლის სექტემბრის მდგომარეობით.