Цензурасыз DeepSeek API
1.6 триллион параметрлі DeepSeek Mixture-of-Experts моделі бас тарту қабатынсыз ұсынылады: 262K контекст, нативті пайымдау күші, құралдарды шақыру және өз GPU кластерімізде үш API диалектісі.
Қысқаша
DeepSeek-V4-Pro-0813-3BIT-REAP — Shannon AI цензурасыз қатарының пайымдау мен код жазуға арналған флагман моделі. Негізі — DeepSeek-AI-дың ашық салмақты V4-Pro моделі: жалпы 1.6T параметр, токенге 49B белсенді, MIT лицензиясымен, миллион токендік контекстке нативті оқытылған. Біз оны өз GPU кластерімізде 3-биттік салмақтармен әрі REAP сарапшыларды кесуімен ұсынамыз: 262,144 токендік терезе, 16,384 токендік ең үлкен шығыс, ағынды беру, нативті құралдарды шақыру, қатаң json_schema шығысы және reasoning_effort тұтқасы. 1M кіріске $1.95, 1M шығысқа $3.90. Көру жоқ. Бас тарту қабаты да, шығысты сүзу де жоқ.
«Цензурасыз DeepSeek API» деген сөз тіркесі арқылы келетін адамдар нақты бір нәрсені қалайды: DeepSeek-тің пайымдау және код жазу қабілеті бар, әрі шын қойылған сұраққа жауап беретін модель. Мүмкіндік жағы жақсы құжатталған — DeepSeek-AI архитектура мен сандарды жариялады, ал салмақтар Hugging Face-те MIT лицензиясымен жатыр. Екінші жағы — пайдалану шешімі, әдетте оны сіздің орныңызға басқалар қабылдайды. Бұл бет екеуін де қамтиды: V4-Pro негізі деген не, біздің 3BIT-REAP құрамамыз оған не істейді және біз «цензурасыз» дегенде нақты нені білдіреміз.
01«Цензурасыз DeepSeek API» шын мәнінде нені білдіреді
Бір сөздің астына екі түрлі механизм түседі. Біріншісі — салмақтарға сіңірілген түзету, яғни оқытудан кейінгі кезеңде үйренілген бас тарту мінез-құлқы. Екіншісі — қызмет тарапындағы модерация қабаты: сіздің промптыңызды модель көрмей тұрып, ал шығысты сіз көрмей тұрып тексеретін бөлек классификатор, ол модельдің не айтқысы келгеніне қарамастан жауапты сөйлемнің ортасында кесіп тастай алады.
Екеуін де өлшеуге болады, әрі DeepSeek-тің бірінші тарап қызметі өлшеніп те қойған. Promptfoo саяси сезімтал сұрақтардан 1,360 промпттық жинақ құрастырып, DeepSeek хостындағы R1 олардың 1,156-нан бас тартқанын немесе жауапты бұрып жібергенін хабарлады — шамамен 85%. Дәл осы отбасы бойынша академиялық жұмыс авторлар ойды басып тастау деп атаған бөлек ақаулық режимін тапты: сезімтал тақырыпта модельдің пайымдау ізі басталған бойда дерлік үзіліп қалады. Information Sciences журналында жарияланған бөлек аудит семантикалық деңгейдегі басып тастауды құжаттады: модельдің ішкі пайымдауында бар мазмұн пайдаланушыға жетер алдында үнсіз алынып тасталады немесе қайта жазылады. Бұл — тікелей бас тартудан да қиынырақ мәселе, өйткені қиылған жауап жауап сияқты көрінеді.
Біз ашық салмақты шығарылымды өзіміз басқаратын жабдықта, Америка Құрама Штаттарында, Shannon Lab LLC құрамында жүргіземіз. Мұнда модельдің алдында бас тарту қабаты жоқ әрі қайтарылатын жауапқа сүзгі қолданылмайды: сіздің промптыңыз қызмет көрсетілер алдында саясат бойынша сыныпталмайды, ал шығыс ағыны жолда тексерілмейді. Негіз MIT лицензиясымен әрі көпшілікке ашық болғандықтан, сіз біздің сөзімізге сенудің орнына біздің шығыстарымызды эталондық салмақтармен өзіңіз салыстыра аласыз.
02Негіз: DeepSeek-V4-Pro, 1.6T MoE
DeepSeek-V4 — DeepSeek-AI-дың ағымдағы ашық салмақты отбасы: 2026 жылғы сәуірде алдын ала көрсетіліп, MIT аясында екі өлшемде шықты — V4-Flash (жалпы 284B, белсенді 13B) және V4-Pro (жалпы 1.6T, белсенді 49B). Бұл мақала Pro деңгейі туралы. Екеуі де шамамен 33 триллион токенде алдын ала оқытылған әрі екеуі де миллион токендік контекстті нативті қолдайды.
Байқау керек нәрсе — сиректік арақатынасы: кез келген нақты токенде параметрлердің тек шамамен 3%-ы іске қосылады, дәл осы мұндай үлкен модельді ұсынуға мүмкіндік береді. MoE блогының өзі әлі де DeepSeekMoE: V2-де енгізілген ұсақ түйірлі бағдарланатын сарапшылар плюс үнемі қосулы тұратын ортақ сарапшылар — V4-те өзгерістер аз, ең байқалатыны алғашқы қабаттардағы хэш-маршруттау. V3-тегі қосалқы мақсат әрі спекулятивті декодтауға жол ашатын Multi-Token Prediction өзгеріссіз сақталған.
V4-тегі жаңа бөліктер — құрылымдық. Manifold-Constrained Hyper-Connections (mHC) қарапайым қалдық жолды Sinkhorn-Knopp проекциясы арқылы қосарлы стохастикалық матрицалар көпбейнесіне шектелген үйренілген араластыру матрицасына ауыстырады — бұл өте терең стектерді өлтіретін сандық ауытқусыз, кірісіне қарай өзін қайта салмақтайтын қалдық ағын. Оқыту көптеген модульдер үшін AdamW-дан Muon-ға көшті әрі Newton-Schulz ортогоналдауын қолданады, ал AdamW тек ендірмелер, болжам бастары, нормалау және mHC-тің статикалық параметрлері үшін қалдырылған. Сарапшы салмақтары FP4-те, ал қалған параметрлердің көпшілігі FP8-де оқытылады — яғни басынан бастап кванттауды ескереді, бұл модельдің одан әрі қысуды қаншалықты жеңіл көтеретініне маңызды.
03MLA-дан CSA + HCA-ға: DeepSeek ұзын контекстті қалай арзан ұстайды
DeepSeek-тің төрт буын бойы созылған желісі — өлшем емес, зейін экономикасы. Әр нұсқа контекстпен сызықты өсетін әрі ұзын ұзындықтарда жадты жеп қоятын KV кэшіне шабуыл жасады.
- V2 Multi-head Latent Attention (MLA) енгізді — кілттер мен мәндерді жасырын векторға бірлесіп төмен рангілі қысу, сондықтан генерация толық бас-бас K мен V орнына сол векторды әрі ажыратылған RoPE кілтін кэштейді. DeepSeek KV кэшінің стандартты көпбасты зейіннің шамамен 4-14%-ына дейін азайғанын, әрі сапаның сақталғанын не жақсарғанын хабарлады.
- V3 оны 671B-ге дейін масштабтап, MLA-ны ашық модельдердегі арзан ұзын контекстің әдепкі болжамына айналдырды.
- V3.2 DeepSeek Sparse Attention (DSA) қосты: бәріне бірдей зейін қоюдың орнына жеңіл индекстеуші арқылы әр сұрауға тарихтың top-k ішкі жиынын таңдайды.
- V4 екеуін будандастырады. Compressed Sparse Attention (CSA) алдымен әр m токеннің KV жазбаларын үйренілген салмақтармен бір жазбаға қысады, содан кейін сол қысылған жазбалар үстінен сирек top-k таңдауын жүргізеді. Heavily Compressed Attention (HCA) әлдеқайда агрессивті қысады, бірақ нәтиженің үстінде тығыз күйінде қалады. Қабаттардың бұл екі түрі стек бойында кезектеседі, сондықтан арзан жаһандық түйіндеме мен дәл жергілікті іздеу қатар тұрады.
Миллион токендік контексте хабарланған ұтыс айқын: V4-Pro V3.2-мен салыстырғанда токенге шаққандағы инференс FLOPs-тың шамамен 27%-ын және KV кэштің 10%-ын қажет етеді. Сондықтан 262K сұраныс жад оқиғасы емес, қалыпты сұраныс сияқты өтеді әрі ұзын контекстегі іздеу сандары бірнеше ондаған мың токеннен кейін құлаудың орнына сақталады.
043BIT-REAP жұрнағы нені білдіреді
Біздің каталог идентификаторымыз 3BIT-REAP-пен аяқталады, ал бұл ретімен қолданылған екі тәуелсіз қысу қадамын сипаттайды.
REAP: сарапшыларды біріктіру емес, кесу
REAP — бұл Cerebras Research-тен шыққан Router-weighted Expert Activation Pruning: «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», ICLR 2026-ға қабылданған. Сирек MoE-де маршрутизатор өз сарапшыларын біркелкі пайдаланбайды: ұзын құйрық сирек, әлсіз немесе екеуі де болып таңдалады. REAP әр сарапшыны маршрутизатор қақпасының мәндері (қаншалықты жиі әрі күшті таңдалады) мен сарапшы активациясының нормалары (оның шығысы қаншалықты үлес қосады) арқылы бағалайды, содан соң ұтылғандарды мүлдем жояды.
Мақаланың дәлелі — кесу біріктіруден артық: біріктіру MoE-ні құруға тұрарлық еткен функционалдық мамандануды орташалап жоғалтады, ал маршрутизатор әрең жететін сарапшыларды жою оны сақтайды. 20B-ден 1T-ге дейінгі модельдерде REAP генеративті бенчмарктарда біріктіруден де, бәсекелес кесу әдістерінен де асып түсті, әрі авторлар Qwen3-Coder-480B пен Kimi-K2-де сарапшылардың 50%-ын кескенде код генерациясы мен құралдарды шақыруда шығынсызға жуық нәтижелер алғанын хабарлайды — бұл дәл осы модель арналған жұмыс профилі.
3-биттік салмақтар: ең үлкен негіздерге арналған қысу деңгейі
Аман қалғаны содан кейін 3-биттік салмақтарға дейін кванттаудан өтеді. Үш бит — агрессивті шешім, біз оны басқаша көрсетуге тырыспаймыз: қатар бойында негіз сығуды қажет етпейтіндей шағын болса W8A16, ортасында W4A16-AUTOROUND-REAP, ал 3BIT-REAP тек ең үлкен негіздерде қолданылады, өйткені сол жерде бұл — модельді ұсыну мен ұсынбаудың арасындағы айырма.
Айырбасты ашық айтқан жөн: 3-биттік 1.6T MoE эталондық шығарылымға биттік дәлдікпен сәйкес келмейді, әрі шағын сапа шығыны шынайы. Оның есесіне сіз қысылмаған шыңы жоғарырақ дәлдікте еркін сыятын кез келген нәрседен әлдеқайда биік тұрған негізді аласыз — әрі V4-тің сарапшылары бастапқыда FP4-те оқытылғандықтан, модель одан әрі салмақ қысуын әдеттен тыс жақсы көтереді. Егер сізге дәлдікке жұмсағырақ тиетін DeepSeek құрамасы керек болса, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP дәл сол 262K контекстте $0.50 кіріс / $2.00 шығыс бағасымен 4-биттік салмақтарды, 16-биттік активацияларды және AutoRound-тың үйренілген дөңгелектеуін қолданады.
05Пайымдау және reasoning_effort тұтқасы
V4-тің оқытудан кейінгі кезеңі домендік мамандарды бөлек оқытады — математика, код жазу, агенттер, нұсқауды орындау — SFT-тен кейін GRPO, яғни DeepSeek R1-мен бірге енгізген Group Relative Policy Optimization әдісі келеді. Содан кейін бұл мамандар кері KL мақсаты бойынша он-полиси дистилляция арқылы бір модельге біріктіріледі, сондықтан бір чекпоинт бәрінде орташа генералист болудың орнына бірнеше доменде маман деңгейіндегі мінез-құлықты бірден алып жүреді.
Шығарылған модель екілік ауыстырғыштың орнына сатылы ойлау режимдерін ашады. Біздің шлюзде бұл — стандартты reasoning_effort параметрі, бұл модельдегі ең пайдалы тұтқа:
- Low — тікелей жауап беруге жақын: сыныптау, дереккөзден шығарып алу, қайта жазу — сіз модельдің ойлануына емес, білімі үшін төлейтін кез келген жұмыс.
- Medium — код тексеру, дефект іздеу және көп қадамды талдау үшін әдепкі жұмыс режимі.
- High — жауап берер алдында ұзақ ойлану. Қиын мәселелер осында шешіледі, әрі шығыс токендеріне кететін шотыңыз да осында, өйткені пайымдау токендері шығыс ретінде есептеледі.
Бас тарту қабаты болмағандықтан, пайымдау ізі сезімтал тақырыпта қиылмайды — бірінші тарап қызметінде құжатталған ойды басып тастау үлгісінің мұнда пайда болатын механизмі жоқ.
06Код және агенттік жұмыс: негіздің көрсеткіштері
Бұлар — DeepSeek-AI-дың V4-Pro шығарылымы бойынша өзі жариялаған сандары, біздікі емес әрі біздің кванттаған құрамамызда өлшенбеген. Біз оларды көрсетеміз, өйткені бұл негізді таңдаудың адал себебі, әрі оларды бірінші тарап деп белгілейміз, сонда сіз оларға тиісті салмақ бере аласыз.
Екеуі түсіндіруге тұрарлық. SWE-bench Verified-тегі 80.6% — нағыз репозиторийдегі мәселені шешу: бейтаныс код базасын оқу, ақауды табу, жобаның өз тесттерінен өтетін түзетпе жасау. Миллион токендегі MRCR (83.5) — толық ұзындықтағы көп раундты кореференция іздеу, яғни ұзын контекст туралы мәлімдеменің әшекей емес екенін көрсететін сан. DeepSeek сондай-ақ модель үшін 3206 Codeforces рейтингін және 1M контекстте CorpusQA-да 62.0 хабарлайды.
Жоғарыдағы сандарды DeepSeek-V4-Pro эталондық шығарылымы үшін DeepSeek-AI хабарлаған. Біздің 3BIT-REAP құрамамыз — сол салмақтардың қысылған нұсқасы әрі бұл тапсырмаларда тәуелсіз бенчмаркталған жоқ; эталондық ұпайларды осы эндпоинттің өлшемі емес, негіздің шыңы деп қараңыз.
07262K контекст: шын мәнінде не сыяды
Эталондық модель миллион токенге оқытылған. Біз 262,144-ті ұсынамыз — бұл шлюздегі әр модель бөлісетін терезе, сондықтан модельді ауыстыру бір жолдық өзгеріс әрі ешқашан контекст жағынан кейін шегіну емес. Іс жүзінде 262K — нақты жұмыстардың көбінде контекст шектеуші болудан қалатын нүктеден әрі жақта:
| Жұмыс түрі | Шамамен токен | 262K-ға сыя ма? |
|---|---|---|
| Орташа сервис репозиторийі (~50 мың жол) | ~600K | Жоқ — модульдерді таңдаңыз |
| Бір ішкі жүйе + оның тесттері | ~60-120K | Иә, еркін |
| Хаттаманың толық RFC жинағы | ~150K | Иә |
| 700 беттік техникалық кітап | ~250K | Иә, шекке жақын |
| Ұзақ агент жүрісі, 40+ құрал айналымы | ~80-200K | Иә |
Есепке алатын шектеу — шығыс: бір жауапқа ең көбі 16,384 токен. Бұл — ұзын құжат немесе бірнеше файлды қамтитын салмақты түзетпе, бірақ код базасы емес. Үлкен генерация жұмыстары бір алып аяқтауды сұрау арқылы емес, алдыңғы шығысты контекстке қайта салып сұраныстарды тізбектеу арқылы орындалады — оны 262K терезе арзан етеді.
08Баға және V4-Pro қатарда қай жерде тұр
Миллион токенге $1.95 кіріс / $3.90 шығыс бағасымен V4-Pro — флагман пайымдау деңгейі, яғни мәселе қиын болғанда жүгінетін модель. Мәселе жай ғана үлкен болса, дәл сол 262K терезедегі арзанырақ модельдер оны төрт есе арзанға жасайды.
| Цензурасыз модель | Кіріс / 1M | Шығыс / 1M | Көру | Не үшін жақсы |
|---|---|---|---|---|
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Жоқ | Қиын пайымдау, код, агенттер |
| DeepSeek-V4-Flash · W4A16 | $0.50 | $2.00 | Жоқ | Сол тек, үлкен көлем |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Жоқ | Жалпы мақсаттағы жұмысшы ат |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Иә | Жоғары деңгейлі мультимодал агенттер |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Иә | Ең арзан көру |
Адамдар шынымен жасайтын салыстыру туралы тура айтайық: DeepSeek-тің өз API-ы бұдан арзан — бірінші тараптағы V4-Pro шамамен $0.435 кіріс / $0.87 шығыс деп көрсетілген, ал олардың кэшке түскен кірісінің бағасы одан да төмен. Егер токен бағасы сіздің жалғыз өлшеміңіз болса әрі модерация мінез-құлқы жұмысыңызға әсер етпесе, бірінші тарап API-ын қолданыңыз; біз мұны сізге кейін өзіңіз білгеннен гөрі қазір айтқанды жөн көреміз. Үстеме баға басқа қасиеттер жиынын сатып алады: бас тарту қабаты да, шығыс сүзгісі де жоқ, Shannon Lab LLC құрамындағы АҚШ операторы, күні белгіленген бекітілген чекпоинт (0813) — сондықтан үнсіз жоғарғы жақтағы жаңарту жоба ортасында шығыстарыңызды өзгертпейді, бір модельге қарсы үш API диалектісі, әрі қатардағы он екі модельдің бәрінде бірдей 262K терезе мен бірдей параметр беті.
09Шақыру: үш диалект, бір модель
Шлюздегі әр модель үш эндпоинттің бәрінде жауап береді, әрқайсысында ағынды берумен. Сіз жаңа SDK қабылдамайсыз — тек негізгі URL мен модель идентификаторын өзгертесіз.
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 диалектісі; OpenAI SDK-ларымен және оларға негізделген кез келген нәрсемен жұмыс істейді./v1/messages— Anthropic диалектісі, сол пішінге қарсы жазылған код базалары үшін./v1/responses— Responses стиліндегі интерфейс.
Бұл модельде қолдау табады: ағынды беру, нативті құралдарды шақыру, қатаң json_schema құрылымдалған шығысы, response_format және reasoning_effort. Толық параметр анықтамасы мен тірі ойын алаңы API құжаттамасында.
10Адал шектеулер
Оның үстіне құрар алдында білуге тұрарлық төрт нәрсе:
- Көру жоқ. Тек мәтін; ол ешбір эндпоинтте сурет кірісін қабылдамайды. Егер сізге көретін цензурасыз модель керек болса, Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 немесе inkling қолданыңыз.
- 16,384 токендік шығыс шегі. Жоғары күшпен жұмыс істегенде пайымдау токендері де осы шекке қарай есептеледі, сондықтан ұзақ ойлану жауапқа орын аз қалдырады. Үлкен генерация жұмыстарында сұраныстарды тізбектеңіз.
- 3 бит — шынайы қысу. Эталондық ұпайлар негізді сипаттайды, бұл құраманы емес. Ең жоғары дәлдік деңгейі үшін
W8A16модельдері (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) ең аз кванттаумен келеді. - Цензурасыз болу салдарсыз емес. Бас тарту қабатының болмауы дегеніміз — не сұрағаныңыз үшін де, жауаппен не істегеніңіз үшін де жауапкершілік сізде, біздің қызмет көрсету шарттарымыз бен өзіңіз жұмыс істейтін елдің заңы аясында.
Бұл беттегі әр архитектуралық мәлімдеме мен бенчмарк саны ашық бастапқы дереккөзден алынған. Оларды өзіңіз оқыңыз.
11Жиі қойылатын сұрақтар
Цензурасыз DeepSeek API деген не?
Бұл — Shannon AI-дың өз GPU кластерінде ұсынылатын DeepSeek-V4-Pro ашық салмақты моделі: оның алдында бас тарту қабаты жоқ әрі қайтаратын жауабына ешқандай сүзгі қолданылмайды. Оны /v1/chat/completions, /v1/messages немесе /v1/responses арқылы 262,144 токендік контекст терезесімен шақырасыз, ал эндпоинт модерациялаудың орнына жауап береді.
Бұл DeepSeek-тің ресми API-ынан несімен ерекшеленеді?
Ашық салмақтардың тегі бір, бірақ оператор да, саясат та бөлек. DeepSeek-тің бірінші тарап қызметі токенге шаққанда арзанырақ әрі өз модерациясын жүргізеді; Promptfoo мен академиялық топтар жариялаған аудиттер онда саяси сезімтал промпттарда бас тарту мен семантикалық басып тастауды құжаттаған. Shannon AI бұл салмақтарды Америка Құрама Штаттарында бас тарту қабатынсыз ұсынады, пайымдау күші мен құралдарды шақыруды үш API диалектісінде ашады және күні белгіленген чекпоинтті бекітеді, сондықтан шығыстар сіздің астыңыздан жылжымайды.
3BIT-REAP нені білдіреді?
Екі қысу қадамын. REAP — бұл Router-weighted Expert Activation Pruning, яғни Cerebras Research әдісі: ол Mixture-of-Experts моделінен сирек әрі әлсіз бағдарланатын сарапшыларды әр сарапшыны маршрутизатор қақпасының мәндері мен активация нормалары бойынша бағалай отырып алып тастайды. Аман қалғаны содан кейін 3-биттік салмақтарға дейін кванттаудан өтеді. Екеуі бірге 1.6 триллион параметрлі негізді өз GPU кластерімізге сыйғызып, оны жылдам ұстайды.
Контекст терезесі мен ең үлкен шығыс қандай?
262,144 токен контекст әрі бір сұранысқа 16,384 токенге дейін шығыс. Бұл — кіріске шамамен 600-800 бет мәтін, ал шығысқа ұзын техникалық құжат немесе бірнеше файлды қамтитын үлкен түзетпе. Ұзақ жұмыстар шығыс шегін көтеру арқылы емес, сұраныстарды тізбектеу арқылы орындалады.
DeepSeek V4 Pro құралдарды шақыруды және JSON схемалы шығысты қолдай ма?
Екеуін де иә. Нативті құралдарды шақыру, қатаң json_schema құрылымдалған шығысы және response_format толық қолдау табады, оған қоса ағынды беру мен reasoning_effort параметрі бар. Ол сурет кірісін қабылдамайды; егер сізге көретін цензурасыз модель керек болса, оның орнына Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 немесе inkling қолданыңыз.
Цензурасыз DeepSeek API қанша тұрады?
Миллион кіріс токеніне $1.95 және миллион шығыс токеніне $3.90. Дәл осы цензурасыз қатарда DeepSeek-V4-Flash сол 262K контекстпен $0.50 кіріс және $2.00 шығыс, ал GLM-5.2 $0.73 кіріс және $2.34 шығыс тұрады, сондықтан V4-Pro — мәселе үлкен емес, қиын болғанда жүгінетін деңгей.
DeepSeek V4 Pro-ны цензурасыз шақырыңыз
262K контекст, пайымдау күші, құралдарды шақыру. Бір кілтпен OpenAI, Anthropic және Responses диалектілері.
API құжаттамасын оқу Барлық модель карталарыShannon Lab LLC · Нью-Мексико, АҚШ · модельдер өз GPU кластерімізде ұсынылады
Дереккөздер: DeepSeek-AI — DeepSeek-V4-Pro модель картасы · DeepSeek-V4 техникалық есебі (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 техникалық есебі · REAP the Experts (Cerebras Research) · Promptfoo цензура аудиті · Discovering Forbidden Topics in Language Models. Бенчмарк сандарын эталондық шығарылым үшін DeepSeek-AI хабарлаған; қысылған құраманы тәуелсіз үшінші тараптың тексеруі әлі күтілуде. Бағалар — 2026 жылғы 5 қыркүйектегі жағдай бойынша Shannon AI прейскуранты.