უცენზურო DeepSeek API

ვინც ფრაზაზე „უცენზურო DeepSeek API“ მოდის, ერთ კონკრეტულ რამეს ეძებს: მოდელს DeepSeek-ის მსჯელობისა და კოდირების უნარით, რომელიც სწორედ დასმულ კითხვას პასუხობს. შესაძლებლობების ნახევარი კარგადაა დოკუმენტირებული — DeepSeek-AI-მ არქიტექტურაც გამოაქვეყნა და ციფრებიც, წონები კი Hugging Face-ზე MIT-ის ქვეშ დევს. მეორე ნახევარი საოპერაციო გადაწყვეტილებაა და ჩვეულებრივ თქვენ მაგივრად მიიღება. ეს გვერდი ორივეს ფარავს: რა არის V4-Pro-ს საფუძველი, რას უკეთებს მას ჩვენი 3BIT-REAP ბილდი და ზუსტად რას ნიშნავს „უცენზურო“, როცა ჩვენ ვამბობთ ამას.

01რას ნიშნავს სინამდვილეში „უცენზურო DeepSeek API“

ერთსა და იმავე სიტყვაში ორი სხვადასხვა მექანიზმი ერთიანდება. პირველია წონებში ჩაკერებული განლაგება — უარის ქცევა, ნასწავლი შემდგომი წვრთნისას. მეორეა მომსახურების მხარეს არსებული მოდერაციის ფენა: ცალკე კლასიფიკატორი, რომელიც ამოწმებს თქვენს პრომპტს მოდელამდე და გამოსავალს თქვენამდე და შეუძლია პასუხი წინადადების შუაში მოკვეთოს, მიუხედავად იმისა, რის თქმა უნდოდა მოდელს.

ორივე გაზომვადია და DeepSeek-ის პირველი მხარის სერვისი გაზომილია. Promptfoo-მ 1,360 პოლიტიკურად მგრძნობიარე კითხვის ნაკრები შეადგინა და დააფიქსირა, რომ DeepSeek-ის ჰოსტირებულმა R1-მა 1,156-ზე უარი თქვა ან თემა გადაიტანა — დაახლოებით 85%. იმავე ოჯახზე აკადემიურმა ნაშრომებმა ცალკე წარუმატებლობის რეჟიმი აღმოაჩინეს, რომელსაც ავტორები აზრის ჩახშობას უწოდებენ: მოდელის მსჯელობის კვალი მგრძნობიარე თემაზე თითქმის დაწყებისთანავე წყდება. ცალკე აუდიტმა, გამოქვეყნებულმა ჟურნალში Information Sciences, დააფიქსირა სემანტიკური დონის ჩახშობა: შიგთავსი, რომელიც მოდელის შიდა მსჯელობაშია, მაგრამ მომხმარებლამდე მისვლამდე ჩუმად ამოღებულია ან გადაწერილი. ეს უფრო რთული პრობლემაა, ვიდრე პირდაპირი უარი, რადგან ჩამოჭრილი პასუხი პასუხს ჰგავს.

ჩვენ ვამუშავებთ ღია წონების გამოშვებას, ჩვენს მიერ ოპერირებულ აპარატურაზე, ამერიკის შეერთებულ შტატებში, Shannon Lab LLC-ის ქვეშ. მოდელის წინ უარის ფენა არ დგას და დაბრუნებულ პასუხზე ფილტრი არ ედება: თქვენი პრომპტი მომსახურებამდე პოლიტიკის მიხედვით არ კლასიფიცირდება და გამომავალი ნაკადი გზაში არ მოწმდება. რადგან საფუძველი MIT ლიცენზიისაა და საჯარო, ჩვენს გამოსავალს საეტალონო წონებს თავად შეადარებთ და ჩვენს სიტყვაზე დაჯერება არ მოგიწევთ.

02საფუძველი: DeepSeek-V4-Pro, 1.6T ექსპერტთა ნაზავი

DeepSeek-V4 DeepSeek-AI-ს მიმდინარე ღია წონების ოჯახია, რომელიც 2026 წლის აპრილში წარადგინეს და MIT-ის ქვეშ ორ ზომად გამოუშვეს: V4-Flash (284B ჯამური, 13B აქტივირებული) და V4-Pro (1.6T ჯამური, 49B აქტივირებული). ეს სტატია Pro დონეზეა. ორივე დაახლოებით 33 ტრილიონ ტოკენზეა წინასწარ გაწვრთნილი და ორივე მშობლიურად უჭერს მხარს მილიონტოკენიან კონტექსტს.

შესამჩნევი სწორედ სიმეჩხერის თანაფარდობაა: ნებისმიერ ტოკენზე პარამეტრების მხოლოდ დაახლოებით 3% ირთვება და სწორედ ეს ხდის ამ ზომის მოდელს საერთოდ მომსახურებადს. თავად MoE ბლოკი კვლავ DeepSeekMoE-ა — წვრილმარცვლოვანი მარშრუტიზებული ექსპერტები პლუს მუდამ ჩართული საზიარო ექსპერტები, რომლებიც V2-ში შემოვიდა — V4-ის მხოლოდ მცირე ცვლილებებით, საიდანაც ყველაზე თვალსაჩინო ჰეშ-მარშრუტიზაციაა უადრეს ფენებში. Multi-Token Prediction, V3-ის დამხმარე ამოცანა, რომელიც სპეკულაციურ დეკოდირებასაც შესაძლებელს ხდის, უცვლელადაა შენარჩუნებული.

V4-ის ახალი ნაწილები სტრუქტურულია. Manifold-Constrained Hyper-Connections (mHC) ჩვეულებრივ ნარჩენ გზას ცვლის ნასწავლი შერევის მატრიცით, რომელიც Sinkhorn–Knopp პროექციით ორმაგად სტოქასტური მატრიცების მრავალსახეობაზეა შეზღუდული — ნარჩენი ნაკადი, რომელიც შემავალის მიხედვით იწონება ისე, რომ არ ჩნდება ის რიცხვითი გადახრა, რომელიც ძალიან ღრმა დასტებს კლავს. წვრთნა AdamW-დან Muon-ზე გადავიდა მოდულების უმეტესობისთვის, Newton–Schulz ორთოგონალიზაციით, ხოლო AdamW მხოლოდ ჩანერგვებს, პროგნოზის თავებს, ნორმალიზაციასა და სტატიკურ mHC პარამეტრებს შერჩა. ექსპერტების წონები კი FP4-ში იწვრთნება, დანარჩენი პარამეტრების უმეტესობა FP8-ში — კვანტიზაციის გათვალისწინებით თავიდანვე, რასაც მნიშვნელობა აქვს იმისთვის, რამდენად უმტკივნეულოდ იტანს მოდელი შემდგომ შეკუმშვას.

03MLA-დან CSA + HCA-მდე: როგორ ინარჩუნებს DeepSeek გრძელ კონტექსტს იაფად

DeepSeek-ის გამჭოლი ხაზი ოთხ თაობაში ზომა კი არა, ყურადღების ეკონომიკაა. ყოველი ვერსია KV ქეშს უტევდა, რომელიც კონტექსტთან ერთად წრფივად იზრდება და დიდ სიგრძეებზე მეხსიერებას ბატონობს.

• V2-მ შემოიტანა Multi-head Latent Attention (MLA) — გასაღებებისა და მნიშვნელობების დაბალრანგიანი ერთობლივი შეკუმშვა ლატენტურ ვექტორში, ისე რომ გენერაცია სრული K და V-ის ნაცვლად ამ ვექტორს პლუს გამოცალკევებულ RoPE გასაღებს ქეშავს. DeepSeek-მა დააფიქსირა KV ქეშის დაწევა სტანდარტული მრავალთავიანი ყურადღების დაახლოებით 4–14%-მდე, ხარისხის შენარჩუნებით ან გაუმჯობესებით.
• V3-მ ეს 671B-მდე გაზარდა და MLA ღია მოდელებში იაფი გრძელი კონტექსტის ნაგულისხმევ დაშვებად აქცია.
• V3.2-მ დაამატა DeepSeek Sparse Attention (DSA), რომელიც ყველაფერზე ყურადღების მიქცევის ნაცვლად მსუბუქი ინდექსატორით ისტორიის top-k ქვესიმრავლეს ირჩევს ყოველ მოთხოვნაზე.
• V4 ჰიბრიდიზაციას ახდენს. Compressed Sparse Attention (CSA) ჯერ ყოველი m ტოკენის KV ჩანაწერებს ერთ ჩანაწერად კუმშავს ნასწავლი წონებით, შემდეგ კი ამ შეკუმშულ ჩანაწერებზე მეჩხერ top-k შერჩევას უშვებს. Heavily Compressed Attention (HCA) ბევრად უფრო აგრესიულად კუმშავს, მაგრამ შედეგზე მკვრივი რჩება. ეს ორი ტიპის ფენა დასტაში მონაცვლეობს, ასე რომ იაფი გლობალური შეჯამება და ზუსტი ლოკალური ამოღება თანაარსებობს.

დაფიქსირებული მოგება მილიონტოკენიან კონტექსტზე მკვეთრია: V4-Pro-ს სჭირდება V3.2-ის ტოკენზე დაანგარიშებული ინფერენსის FLOP-ების დაახლოებით 27% და KV ქეშის 10%. სწორედ ამიტომ 262K მოთხოვნა ჩვეულებრივ მოთხოვნასავით იქცევა და არა მეხსიერების მოვლენად, და სწორედ ამიტომ გრძელი კონტექსტის ამოღების ციფრები ათიოდე ათას ტოკენს იქით ინგრევის ნაცვლად ძლებს.

04რას ნიშნავს სუფიქსი 3BIT-REAP

ჩვენი კატალოგის იდენტიფიკატორი 3BIT-REAP-ით მთავრდება და ეს რიგრიგობით გამოყენებულ ორ დამოუკიდებელ შეკუმშვის საფეხურს აღწერს.

REAP: ექსპერტების გასხვლა და არა შერწყმა

REAP არის Router-weighted Expert Activation Pruning, Cerebras Research-იდან — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression“, მიღებული ICLR 2026-ზე. მეჩხერ MoE-ში მარშრუტიზატორი თავის ექსპერტებს თანაბრად არ იყენებს: გრძელი კუდი იშვიათად, სუსტად ან ორივენაირად ირჩევა. REAP თითოეულ ექსპერტს აფასებს მარშრუტიზატორის კარიბჭის მნიშვნელობებისა (რამდენად ხშირად და ძლიერად ირჩევა) და ექსპერტის აქტივაციის ნორმების (რამდენს იძლევა მისი გამოსავალი) შეთავსებით, შემდეგ კი წაგებულებს პირდაპირ შლის.

ნაშრომის არგუმენტია, რომ გასხვლა შერწყმას სჯობს: შერწყმა ასაშუალოებს იმ ფუნქციურ სპეციალიზაციას, რომლის გამოც MoE-ს აშენება ღირდა, ხოლო იმ ექსპერტების წაშლა, რომლებამდეც მარშრუტიზატორი ძლივს აღწევს, მას ინარჩუნებს. 20B-დან 1T-მდე მოდელებზე REAP-მა გენერაციულ ბენჩმარკებზე შერწყმასაც აჯობა და კონკურენტ გასხვლის მეთოდებსაც, ხოლო ავტორები აფიქსირებენ თითქმის უდანაკარგო შედეგებს კოდის გენერაციასა და ინსტრუმენტების გამოძახებაზე ექსპერტების 50%-იანი გასხვლისას Qwen3-Coder-480B-ზე და Kimi-K2-ზე — ეს კი ზუსტად ის დატვირთვის პროფილია, რისთვისაც ეს მოდელი აქ არის.

3-ბიტიანი წონები: შეკუმშვის დონე უდიდესი საფუძვლებისთვის

გადარჩენილი შემდეგ 3-ბიტიან წონებამდე კვანტიზდება. სამი ბიტი აგრესიულია და ამას არ ვმალავთ: მთელ რიგში W8A16-ს ვიყენებთ იქ, სადაც საფუძველი საკმარისად მცირეა და შეკუმშვა არ სჭირდება, W4A16-AUTOROUND-REAP-ს შუაში, ხოლო 3BIT-REAP-ს მხოლოდ უდიდეს საფუძვლებზე, სადაც ეს მოდელის მომსახურებასა და საერთოდ არმომსახურებას შორის განსხვავებაა.

კომპრომისი პირდაპირ ღირს ითქვას: 3-ბიტიანი 1.6T MoE ბიტში ბიტ საეტალონო გამოშვების იდენტური არ არის და ხარისხის მცირე ფასი რეალურია. სამაგიეროდ იღებთ საფუძველს, რომლის შეუკუმშავი ჭერიც ბევრად მაღლა დგას ყველაფერზე, რაც უფრო მაღალ სიზუსტეზე კომფორტულად ეტევა — და რადგან V4-ის ექსპერტები თავიდანვე FP4-ში იწვრთნებოდა, მოდელი შემდგომი წონების შეკუმშვისას უჩვეულოდ კარგად იქცევა. თუ DeepSeek-ის ბილდი გინდათ სიზუსტეზე უფრო მსუბუქი ხელით, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP იყენებს 4-ბიტიან წონებს 16-ბიტიანი აქტივაციებით და AutoRound-ის ნასწავლი დამრგვალებით, იმავე 262K კონტექსტზე, $0.50 შემავალზე / $2.00 გამომავალზე.

05მსჯელობა და reasoning_effort სახელური

V4-ის შემდგომი წვრთნა დომენურ სპეციალისტებს ცალ-ცალკე ავარჯიშებს — მათემატიკა, კოდირება, აგენტები, ინსტრუქციების შესრულება — SFT-ით და შემდეგ GRPO-თი, ჯგუფური ფარდობითი პოლიტიკის ოპტიმიზაციის მეთოდით, რომელიც DeepSeek-მა R1-თან ერთად შემოიტანა. შემდეგ ეს სპეციალისტები ერთ მოდელში ერთიანდება on-policy დისტილაციით შებრუნებული KL ამოცანის ქვეშ, ასე რომ ერთი ჩექფოინთი ერთდროულად რამდენიმე დომენში ატარებს სპეციალისტის დონის ქცევას და არა ისეთი გენერალისტისას, რომელიც ყველაფერში საშუალოა.

გამოშვებული მოდელი ორობითი გადამრთველის ნაცვლად აზროვნების საფეხურებრივ რეჟიმებს გვთავაზობს. ჩვენს გეითვეიზე ეს სტანდარტული reasoning_effort პარამეტრია, ამ მოდელის ყველაზე სასარგებლო ერთადერთი სახელური:

• Low — თითქმის პირდაპირი პასუხი: კლასიფიკაცია, ამოღება, გადაწერა, ყველაფერი, სადაც მოდელის ცოდნაში იხდით და არა მის ფიქრში.
• Medium — ნაგულისხმევი სამუშაო რეჟიმი კოდის განხილვისთვის, გამართვისა და მრავალსაფეხურიანი ანალიზისთვის.
• High — ხანგრძლივი ფიქრი პასუხამდე. სწორედ აქ წყდება რთული ამოცანები და სწორედ აქ ცხოვრობს თქვენი გამომავალი ტოკენების ანგარიში, რადგან მსჯელობის ტოკენები გამომავლად ითვლება.

რადგან უარის ფენა არ არსებობს, მსჯელობის კვალი მგრძნობიარე თემატიკაზე არ იკვეთება — აზრის ჩახშობის შაბლონს, რომელიც პირველი მხარის სერვისზეა დოკუმენტირებული, აქ გაჩენის მექანიზმი არ აქვს.

06კოდი და აგენტური სამუშაო: რას იღებს საფუძველი

ეს არის DeepSeek-AI-ს საკუთარი გამოქვეყნებული ციფრები V4-Pro-ს გამოშვებისთვის — არა ჩვენი და არა ჩვენს კვანტიზებულ ბილდზე გაზომილი. მათ ვაჩვენებთ იმიტომ, რომ სწორედ ისინია ამ საფუძვლის არჩევის პატიოსანი მიზეზი, და პირველი მხარისად აღვნიშნავთ, რომ შესაბამისად შეაფასოთ.

ორი კომენტარს იმსახურებს. SWE-bench Verified 80.6%-ზე რეალურ რეპოზიტორიაში პრობლემის გადაწყვეტაა — უცნობი კოდის ბაზის კითხვა, დეფექტის მოძებნა და ისეთი პატჩის შექმნა, რომელიც პროექტის საკუთარ ტესტებს გაივლის. MRCR ერთ მილიონ ტოკენზე (83.5) მრავალრაუნდიანი კორეფერენციული ამოღებაა სრულ სიგრძეზე — ის ციფრი, რომელიც გეუბნებათ, რომ გრძელი კონტექსტის მტკიცება დეკორატიული არ არის. DeepSeek ასევე აფიქსირებს მოდელისთვის Codeforces რეიტინგს 3206 და 62.0-ს CorpusQA-ზე 1M კონტექსტით.

ზემოთ მოცემული ციფრები DeepSeek-AI-ს მიერაა დაფიქსირებული DeepSeek-V4-Pro-ს საეტალონო გამოშვებისთვის. ჩვენი 3BIT-REAP ბილდი ამ წონების შეკუმშული ვარიანტია და ამ ამოცანებზე დამოუკიდებლად ბენჩმარკირებული არ არის; საეტალონო ქულები საფუძვლის ჭერად მიიჩნიეთ და არა ამ ენდპოინტის გაზომვად.

07262K კონტექსტი: რა ეტევა სინამდვილეში

საეტალონო მოდელი მილიონ ტოკენზეა გაწვრთნილი. ჩვენ 262,144-ს ვემსახურებით — ეს ფანჯარა გეითვეიზე ყველა მოდელს აქვს საერთო, ამიტომ მოდელის შეცვლა ერთსტრიქონიანი ცვლილებაა და კონტექსტში უკან დახევას არასოდეს ნიშნავს. პრაქტიკაში 262K უკვე იმ ზღვარს იქითაა, სადაც კონტექსტი რეალური სამუშაოს უმეტესობას ზღუდავს:

დატვირთვა	დაახლ. ტოკენი	ეტევა 262K-ში?
საშუალო ზომის სერვისის რეპო (~50 ათასი სტრიქონი)	~600K	არა — შეარჩიეთ მოდულები
ერთი ქვესისტემა და მისი ტესტები	~60–120K	დიახ, კომფორტულად
პროტოკოლის სრული RFC ნაკრები	~150K	დიახ
700-გვერდიანი ტექნიკური წიგნი	~250K	დიახ, ზღვართან ახლოს
გრძელი აგენტური გაშვება, 40+ ინსტრუმენტული ნაბიჯი	~80–200K	დიახ

დასაგეგმი ზღვარი გამოსავალია: მაქსიმუმ 16,384 ტოკენი პასუხზე. ეს გრძელი დოკუმენტია ან სოლიდური მრავალფაილიანი პატჩი, მაგრამ არა კოდის ბაზა. დიდი გენერაციული სამუშაოები კეთდება მოთხოვნების ჯაჭვად შეკვრით, სადაც წინა გამოსავალი კონტექსტში ბრუნდება — რასაც 262K ფანჯარა აიაფებს — და არა ერთი უზარმაზარი დასრულების მოთხოვნით.

08ფასი და სად დგას V4-Pro რიგში

$1.95 შემავალზე / $3.90 გამომავალზე მილიონ ტოკენში V4-Pro მსჯელობის ფლაგმანური დონეა — მოდელი, რომელსაც მაშინ მიმართავთ, როცა ამოცანა რთულია. როცა ის უბრალოდ დიდია, იმავე 262K ფანჯარაზე მომუშავე იაფი მოდელები ამას მეოთხედ ფასად გააკეთებენ.

უცენზურო მოდელი	შემავალი / 1M	გამომავალი / 1M	ხედვა	რისთვის გამოდგება
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	არა	რთული მსჯელობა, კოდი, აგენტები
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	არა	იგივე წარმომავლობა, დიდი მოცულობა
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	არა	ზოგადი დანიშნულების სამუშაო ცხენი
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	დიახ	უმაღლესი დონის მულტიმოდალური აგენტები
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	დიახ	ყველაზე იაფი ხედვა

პირდაპირ იმ შედარებაზე, რომელსაც ხალხი რეალურად გააკეთებს: DeepSeek-ის საკუთარი API ამაზე იაფია — პირველი მხარის V4-Pro დაახლოებით $0.435 შემავალზე / $0.87 გამომავალზეა, ხოლო ქეშის მოხვედრის შემავალი ფასი კიდევ უფრო დაბალი. თუ ტოკენის ფასი თქვენი ერთადერთი კრიტერიუმია და მოდერაციის ქცევა თქვენს სამუშაოზე არ მოქმედებს, ისარგებლეთ პირველი მხარის API-ით; გვირჩევნია ეს გითხრათ, ვიდრე მოგვიანებით გაიგოთ. დანამატი სხვა თვისებების ნაკრებს ყიდულობს: უარის ფენის და გამოსავლის ფილტრის არარსებობას, აშშ-ის ოპერატორს Shannon Lab LLC-ის სახით, თარიღით დაფიქსირებულ ჩექფოინთს (0813), ასე რომ ჩუმი განახლება პროექტის შუაში თქვენს გამოსავალს არ შეცვლის, სამ API დიალექტს ერთი მოდელისთვის და იმავე 262K ფანჯარასა და პარამეტრების ზედაპირს რიგის თორმეტივე მოდელზე.

09გამოძახება: სამი დიალექტი, ერთი მოდელი

გეითვეიზე ყოველი მოდელი სამივე ენდპოინტზე პასუხობს და თითოეულზე სტრიმინგით. ახალ SDK-ს არ იღებთ — ცვლით საბაზო URL-სა და მოდელის იდენტიფიკატორს.

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-ის დიალექტი; მუშაობს OpenAI-ის SDK-ებთან და ყველაფერთან, რაც მათზეა აშენებული.
• /v1/messages — Anthropic-ის დიალექტი, იმ კოდის ბაზებისთვის, რომლებიც უკვე ამ ფორმისთვისაა დაწერილი.
• /v1/responses — Responses-ის ტიპის ინტერფეისი.

ამ მოდელზე მხარდაჭერილია: სტრიმინგი, მშობლიური ინსტრუმენტების გამოძახება, მკაცრი json_schema სტრუქტურირებული გამოსავალი, response_format და reasoning_effort. პარამეტრების სრული ცნობარი და ცოცხალი სათამაშო მოედანი API-ის დოკუმენტაციაშია.

10პატიოსანი შეზღუდვები

ოთხი რამ, რაც უნდა იცოდეთ, სანამ მასზე ააშენებთ:

• ხედვა არ აქვს. მხოლოდ ტექსტი; არცერთ ენდპოინტზე სურათს არ მიიღებს. თუ უცენზურო მოდელი გჭირდებათ, რომელიც ხედავს, გამოიყენეთ Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ან inkling.
• 16,384-ტოკენიანი გამოსავლის ჭერი. მაღალ ძალისხმევაზე მსჯელობის ტოკენები მას ეთვლება, ამიტომ ხანგრძლივი ფიქრი პასუხისთვის ნაკლებ ადგილს ტოვებს. დიდი გენერაციული სამუშაოებისთვის მოთხოვნები ჯაჭვად შეკარით.
• 3 ბიტი რეალური შეკუმშვაა. საეტალონო ქულები საფუძველს აღწერს და არა ამ ბილდს. უმაღლესი ერთგულების დონისთვის W8A16 მოდელები (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) ყველაზე ნაკლებ კვანტიზაციას ატარებს.
• უცენზურო არ ნიშნავს უშედეგოს. უარის ფენის არარსებობა ნიშნავს, რომ პასუხისმგებლობა იმაზე, რასაც ეკითხებით და რას აკეთებთ პასუხით, თქვენთან რჩება — ჩვენი მომსახურების პირობებისა და იმ ქვეყნის კანონის ფარგლებში, სადაც მოქმედებთ.

11ხშირად დასმული კითხვები

---

წყაროები: DeepSeek-AI — DeepSeek-V4-Pro მოდელის ბარათი · DeepSeek-V4 ტექნიკური ანგარიში (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 ტექნიკური ანგარიში · REAP the Experts (Cerebras Research) · Promptfoo-ს ცენზურის აუდიტი · Discovering Forbidden Topics in Language Models. ბენჩმარკის ციფრები DeepSeek-AI-ს მიერაა დაფიქსირებული საეტალონო გამოშვებისთვის; შეკუმშული ბილდის დამოუკიდებელი მესამე მხარის შემოწმება ჯერ არ მომხდარა. ფასები Shannon AI-ს სასაქონლო ფასებია 2026 წლის 5 სექტემბრის მდგომარეობით.