API DeepSeek Flash គ្មានសេនស័រ

ក្រុមភាគច្រើនវាយតម្លៃ API LLM ធ្វើឲ្យប្រសើរឡើងអថេរខុស។ ពួកគេធ្វើតេស្តលើសំណើពិបាកបំផុតម្ភៃដែលពួកគេអាចគិតបាន ជ្រើសរើសអ្នកឈ្នះ ហើយរកឃើញប្រាំមួយសប្តាហ៍ក្រោយមកថាកៅសិបប្រាំភាគរយនៃចរាចរណ៍របស់ពួកគេជាការងារខ្លី មានរចនាសម្ព័ន្ធ ដដែលៗដែលម៉ូដែលមួយចំណាយមួយភាគបួននឹងដោះស្រាយបានដូចគ្នា។ DeepSeek-V4-Flash មានសម្រាប់កៅសិបប្រាំភាគរយនោះ។ ទំព័រនេះនិយាយអំពីការដឹងថាតើពេលណាអ្នកស្ថិតនៅក្នុងនោះ — និងពេលណាមិនមែន។

01អ្វីដែលអ្នកទទួលបានពិតប្រាកដ

លក្ខណៈសម្បត្តិ	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
លេខសម្គាល់ម៉ូដែល	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
បរិបទ / លទ្ធផលអតិបរមា	262,144 ថូខឹន / 16,384 ថូខឹន
តម្លៃក្នុងមួយលាន (ចូល / ចេញ)	$0.50 / $2.00
Streaming · ការហៅឧបករណ៍ · ការវែកញែក	មាន — ភាសាទាំងបី
លទ្ធផលមានរចនាសម្ព័ន្ធ	json_schema និង response_format
ការទទួលរូបភាព (ការមើលឃើញ)	ទេ — អត្ថបទតែប៉ុណ្ណោះ
ស្រទាប់ការបដិសេធ / តម្រងលទ្ធផល	គ្មាន
បម្រើនៅលើ	ចង្កោមកម្មវិធីក្រាហ្វិកផ្ទាល់ខ្លួនរបស់ Shannon

ភាសា API បីភ្ជាប់ទៅទម្ងន់ដូចគ្នា៖ /v1/chat/completions (រាង OpenAI) /v1/messages (រាង Anthropic) និង /v1/responses។ Streaming ដំណើរការនៅលើទាំងបី។ ឯកសារយោងប៉ារ៉ាម៉ែត្រពេញលេញនៅក្នុង ឯកសារ API។

02វាមកពីណា៖ ពូជពង្ស DeepSeek

DeepSeek-AI បានចំណាយម៉ូដែលប្រាំជំនាន់លើការឆ្កួតតែមួយ៖ ទាញយកឥរិយាបថជួរមុខពីម៉ូដែលដែលថោកក្នុងការបម្រើ មិនមែនត្រឹមតែថោកក្នុងការបណ្តុះបណ្តាលទេ។ ស្ទើរតែគ្រប់ការសម្រេចចិត្តស្ថាបត្យកម្មនៅក្នុងខ្សែសង្វាក់នេះតាមដានត្រឡប់ទៅនោះ ហើយសំខាន់ៗត្រូវបានផ្សព្វផ្សាយ។ បីនេះពន្យល់ពីអ្វីដែលអ្នកកំពុងហៅនៅពេលអ្នកចូលទៅចំណុចប្រទាក់នេះ។

DeepSeekMoE — អ្នកជំនាញលម្អិត បូកនឹងអ្នកជំនាញរួម

ស្រទាប់ Mixture-of-Experts ជំនួសបណ្តាញ feed-forward ធំមួយដោយបណ្តាញតូចជាច្រើន និង router ដែលជ្រើសរើសមួយក្តាប់ក្នុងមួយថូខឹន។ វ៉ារ្យ៉ង់របស់ DeepSeek កាត់អ្នកជំនាញលម្អិតជាងប្លង់ប្រាំបីអ្នកជំនាញធម្មតា ដូច្នេះ FLOPs សកម្មដូចគ្នាទិញការលាយបញ្ចូលដែលជាក់លាក់ជាការសំយោគច្រើនជាង ហើយវាញែកអ្នកជំនាញរួមមួយដែលថូខឹនគ្រប់រូបឆ្លងកាត់ ដូច្នេះចំណេះដឹងទូទៅមិនត្រូវបានរៀនម្តងទៀតដោយលែងចាំបាច់នៅក្នុងអ្នកឯកទេសនីមួយៗទេ។ DeepSeek-V3 បានចេញផ្សាយវាជា អ្នកជំនាញនាំផ្លូវ 256 បូកនឹងអ្នកជំនាញរួម 1 ធ្វើសកម្មភាពអ្នកជំនាញនាំផ្លូវ 8 ក្នុងមួយថូខឹន — ប៉ារ៉ាម៉ែត្រសរុប 671B សកម្ម 37B — ជាមួយនឹង ការធ្វើតុល្យភាពបន្ទុកគ្មានការខាតបង់ជំនួយ៖ ជាជាងពាក្យពិន័យដែលបន្ថយគុណភាព ភាពលម្អៀងក្នុងមួយអ្នកជំនាញរុញពិន្ទុនាំផ្លូវឡើង ឬចុះក្នុងជំហាននីមួយៗ តាមថាតើអ្នកជំនាញនោះរត់ក្រោមបន្ទុក ឬលើសបន្ទុក។

MLA — ការយកចិត្តទុកដាក់ដែលសមក្នុងសតិ

ពាក់កណ្តាលទីពីរនៃបញ្ហាថ្លៃដើមបម្រើគឺ KV cache ដែលកើនឡើងជាលីនេអ៊ែរតាមបរិបទ និងគ្រប់គ្រងសតិនៅប្រវែងលំដាប់វែង។ Multi-head Latent Attention ណែនាំនៅក្នុង DeepSeek-V2 បង្រួម key និង value ជាមួយគ្នាទៅជា latent vector ចំណាត់ថ្នាក់ទាប ហើយចងចាំនោះ ស្តារ K/V ដែលអាចប្រើបានឡើងវិញនាទីនោះ។ តួលេខ V2 ដែលបានផ្សព្វផ្សាយរបស់ DeepSeek ធៀបនឹង DeepSeek 67B ក្រាស់ដើមរបស់ពួកគេ រាយការណ៍ ការកាត់បន្ថយ 93.3% នៃ KV cache និង throughput ការបង្កើតអតិបរមាខ្ពស់ជាង 5.76×។ នោះជាមូលហេតុដែលបង្អួច 262K ថូខឹនជាតង្កៀបស្តង់ដារនៅក្នុងគ្រួសារនេះ ជាជាងកម្មវិធីបន្ថែមកម្រិតខ្ពស់។

ការយកចិត្តទុកដាក់ Sparse — និងគំរូសម្រាប់ថូខឹនថោក

V3.2-Exp បានបន្ថែម DeepSeek Sparse Attention៖ អ្នកលិបិក្រមស្រាលវាយតម្លៃថូខឹនបរិបទធៀបនឹង query ហើយអ្នកជ្រើសរើសរក្សាតែអ្នកមានពិន្ទុខ្ពស់បំផុត។ ផ្នែកគួរឲ្យចាប់អារម្មណ៍គឺវិក្កយបត្រ មិនមែនយន្តការទេ។ DeepSeek បានផ្សព្វផ្សាយការប្រៀបធៀបគូគ្នាធៀបនឹង V3.1-Terminus ជាមួយ MMLU-Pro ដូចគ្នាត្រឹម 85.0 AIME 2025 ឡើង (88.4 → 89.3) SWE-bench Verified ចុះបន្តិច (68.4 → 67.8) — គុណភាពស្មើគ្នាជាមូលដ្ឋាន — ហើយកាត់តម្លៃ API របស់ពួកគេជាង 50% នៅថ្ងៃដដែល។ ស្ថាបត្យកម្មដែលបានរាយការណ៍ដោយស្មោះត្រង់ ប្រែក្លាយផ្ទាល់ទៅជាតម្លៃ។ Flash ជាអំណះអំណាងនោះដែលចាត់ជំហានបន្តទៀត។

ជំនាន់ V4

V4 បង្ហាញជាមុននៅខែមេសា ឆ្នាំ 2026 ក្រោមអាជ្ញាប័ណ្ណ MIT ជំនួសខ្សែសង្វាក់ការយកចិត្តទុកដាក់ម្តងទៀតជាមួយចម្រុះនៃ Compressed Sparse Attention និង Heavily Compressed Attention បណ្តុះបណ្តាលជាមួយ Muon optimizer លើថូខឹនច្រើនជាង 32T ហើយរក្សាគោលបំណង multi-token-prediction របស់ V3 — ដែលដើរតួជា speculative decoding ផងដែរ ហើយ DeepSeek បានវាស់ថាមានអត្រាទទួលយកថូខឹនទីពីរ 85-90% សម្រាប់ល្បឿនលឿនជាង decode ប្រហែល 1.8× នៅក្នុង V3។ អត្ថបទសង្ខេប V4 រាយការណ៍ថា V4-Pro រត់នៅ 27% នៃ FLOPs អនុមានថូខឹនតែមួយរបស់ V3.2 និង 10% នៃ KV cache របស់វា។ គ្រួសារនេះបង្ហាញកម្រិតការវែកញែកបី ដែលនោះជាអ្វីដែលប៉ារ៉ាម៉ែត្រ reasoning_effort របស់យើងតម្រូវទៅលើ។

ប្រភព៖ DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · របាយការណ៍បច្ចេកទេស DeepSeek-V3 (arXiv 2412.19437) · ប័ណ្ណម៉ូដែល DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348)។ តួលេខទាំងអស់ត្រូវបានរាយការណ៍ដោយ DeepSeek។

03អត្ថន័យពិតប្រាកដនៃ "Flash"

នេះជាចំណុចដែលការប្រៀបធៀបភាគច្រើនខុស ដូច្នេះវាសមនឹងនិយាយត្រង់ៗ៖ DeepSeek Flash មិនមែនជា Pro ដែលបានកំណត់ចំនួន កាត់ចោល ឬចម្រាញ់ទេ។ វាជាម៉ូដែល Mixture-of-Experts តូចជាងបានបណ្តុះបណ្តាលដាច់ដោយឡែក ជាមួយការរត់បណ្តុះបណ្តាលជាមុនផ្ទាល់ខ្លួន។ ក្រដាសមុនចេញផ្សាយ V4 ផ្តល់ទំហំទាំងពីរ៖

តួលេខពីក្រដាសមុនចេញផ្សាយ DeepSeek-V4។ ចំណុចត្រួតពិនិត្យផ្លូវការដែលយើងបម្រើ — V4-Flash-0731 និង V4-Pro-0813 — រាយចំនួនសរុបធំជាងបន្តិចនៅ 304B និង 1.7T នៅលើប័ណ្ណម៉ូដែលរបស់ពួកគេ DeepSeek មិនចែងឡើងវិញនូវប៉ារ៉ាម៉ែត្រធ្វើសកម្មភាពសម្រាប់ការសាងសង់ទាំងនោះទេ។

លេខពីរធ្វើការនៅទីនេះ។ ប៉ារ៉ាម៉ែត្រសរុបកំណត់ដានសតិ ដែលសម្រេចថាតើច្បាប់ចម្លងម៉ូដែលកាន់កាប់ផ្នែករឹងប៉ុន្មាន។ ប៉ារ៉ាម៉ែត្រធ្វើសកម្មភាពកំណត់នព្វន្ធក្នុងមួយថូខឹន ដែលសម្រេច throughput។ Flash តូចជាងប្រហែល 5.6× លើទីមួយ និង 3.8× លើទីពីរ — ហើយមានចំណុចលម្អិតដែលសមនឹងកត់សម្គាល់នៅក្នុងគម្លាតនោះ៖ Flash ធ្វើសកម្មភាព 13 ក្នុងចំណោម 284 ប៊ីលានប៉ារ៉ាម៉ែត្រ ប្រហែល 4.6% ខណៈ Pro ធ្វើសកម្មភាព 49 ក្នុងចំណោម 1,600 ប៊ីលាន ប្រហែល 3.1%។ Flash ជាម៉ូដែលដែលតិច sparse ជាង។ វាមិនមែនគ្រាន់តែជា Pro ជាមួយអ្នកជំនាញតិចជាងបើកទេ វាជាការរចនាក្រាស់ជាង តុល្យភាពខុសគ្នា ដែលចំណាយចំណែកធំជាងនៃខ្លួនវាលើថូខឹននីមួយៗដែលវាបង្កើត។ នោះជាជម្រើសវិស្វកម្មពិតប្រាកដ មិនមែនការធ្លាក់ថ្នាក់ទេ។

អ្វីដែលលេខផ្ទាល់ខ្លួនរបស់ DeepSeek និយាយ

ប័ណ្ណម៉ូដែលផ្លូវការទាំងពីរផ្សព្វផ្សាយពិន្ទុលើស្តង់ដារវាស់ស្ទង់ភ្នាក់ងារ និងវិស្វកម្មសូហ្វវែរដូចគ្នា ដែលធ្វើឲ្យនេះជាការប្រៀបធៀបស្អាតមិនធម្មតា — មន្ទីរពិសោធន៍ដូចគ្នា ការធ្វើតេស្តដូចគ្នា ទំហំពីរ៖

ស្តង់ដារវាស់ស្ទង់ (រាយការណ៍ដោយ 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 ឈ្នះគ្រប់ជួរ។ នោះជាចំណងជើងស្មោះត្រង់ ហើយយើងចង់ឲ្យអ្នកអានវានៅទីនេះ ជាជាងរកឃើញវានៅក្នុងផលិតកម្ម។ ប៉ុន្តែសូមអានគម្លាត ព្រោះនោះជាអ្វីដែលអ្នកកំពុងទិញពិតប្រាកដ។ លើ Terminal Bench 2.1 គម្លាតគឺ 5.2 ពិន្ទុលើម៉ូដែលដែលមានប៉ារ៉ាម៉ែត្រមួយភាគម្ភៃប្រាំ។ លើការប្រើឧបករណ៍វា 3.8 ពិន្ទុ។ គម្លាតធំឡើងកន្លែងណាដែលការងារជ្រៅជាងគេ — 8.3 ពិន្ទុលើ DeepSWE 7.3 លើ NL2Repo ទាំងពីរផ្តល់រង្វាន់ដល់ការវែកញែកកូដច្រើនជំហានជាប់លាប់។ នោះជារូបរាងនៃការដូរនៅក្នុងតារាងតែមួយ៖ Flash បិទគម្លាតភាគច្រើននៅលើភារកិច្ចមានព្រំដែន ហើយបោះបង់លើភារកិច្ចបើកចំហ។

ប័ណ្ណ Flash ផ្ទាល់ខ្លួនរបស់ DeepSeek ធ្វើឲ្យចំណុចនេះកាន់តែច្បាស់ថែមទៀត៖ Flash-0731 ប្រសើរជាង V4-Pro មុនចេញផ្សាយ លើស្តង់ដារវាស់ស្ទង់ដែលបានរាយ ទោះបីជាមានចំនួនប៉ារ៉ាម៉ែត្រធ្វើសកម្មភាពតូចជាងច្រើនក៏ដោយ។ ម៉ូដែលតូចថ្មីជាងឈ្នះម៉ូដែលចាស់ធំជាងជាស្ថានភាពធម្មតានៅក្នុងវិស័យនេះ ហើយនោះជាមូលហេតុដែល "ថ្នាក់ធំជាង" មិនគួរជាចម្លើយលំនាំដើមរបស់អ្នកឡើយ។

04អានបច្ច័យ៖ W4A16-AUTOROUND-REAP

លេខសម្គាល់ម៉ូដែលរបស់យើងចែងគម្រោងបង្រួមរបស់ពួកគេយ៉ាងច្បាស់ ព្រោះវាជាអ្វីដែលប៉ះពាល់គុណភាពលទ្ធផលបំផុត ហើយស្ទើរតែគ្មាននរណាបង្ហាញវាទេ។ មួយនេះបំបែកទៅជាការអះអាងបី។

W4A16 — ទម្ងន់ 4-bit ការធ្វើសកម្មភាព 16-bit

ទម្ងន់ត្រូវបានផ្ទុកនៅ 4 ប៊ីតនីមួយៗ ការធ្វើសកម្មភាពហូរតាមភាពត្រឹមត្រូវ 16-bit។ នេះជាការកំណត់ចំនួនតែទម្ងន់ ហើយវាកំណត់គោលដៅឧបសគ្គពិតប្រាកដនៅក្នុងការបង្កើតថូខឹន ដែលជា bandwidth សតិ ជាជាងនព្វន្ធ។ ការកំណត់ចំនួនការធ្វើសកម្មភាពផងដែរនឹងទិញល្បឿនបន្ថែមបន្តិច ហើយប្រថុយនឹងជ្រោះភាពត្រឹមត្រូវធំជាង ការទុកវានៅ 16-bit ជាជម្រើសអភិរក្សនិយម ភាពស្មោះត្រង់ខ្ពស់។ សញ្ញាណនេះជាកាត់តួអក្សរប្រព័ន្ធអេកូឡូស៊ីបម្រើ — អក្សរសាស្ត្រការកំណត់ចំនួនសរសេរដូចគ្នាថា W4 ជាមួយទំហំក្រុម។

AUTOROUND — ការបង្គត់ដែលបានរៀន មិនមែនការបង្គត់ជិតបំផុតទេ

ការកំណត់ចំនួនធម្មតាបង្គត់ទម្ងន់នីមួយៗទៅតម្លៃដែលអាចតំណាងជិតបំផុត។ នោះមិនល្អបំផុតយ៉ាងច្បាស់ទេ៖ ការបង្គត់ទម្ងន់មួយតាមទិស "ខុស" អាចលុបចោលកំហុសដែលបានចូលមកពីអ្នកជិតខាងរបស់វា ហើយជាមួយទម្ងន់រាប់ពាន់លាន អន្តរកម្មទាំងនោះគ្រប់គ្រង។ AutoRound ពី Intel ចាត់ទុកការសម្រេចចិត្តបង្គត់ខ្លួនឯងជាអ្វីមួយត្រូវរៀន — ការរំខានក្នុងមួយទម្ងន់ដែលអាចបណ្តុះបណ្តាលបានកម្រិតត្រឹម ±0.5 គ្រប់គ្រាន់ដើម្បីផ្លាស់ប្តូរការសម្រេចចិត្តបង្គត់តែមួយ និងមិនច្រើនជាងនោះ បូកនឹងជួរច្រិបដែលអាចរៀនបាន ធ្វើឲ្យប្រសើរឡើងដោយ signed gradient descent ធៀបនឹងគោលដៅស្តារឡើងវិញលទ្ធផលតាមប្លុកលើសំណុំកំណត់មាត្រដ្ឋានតូចមួយ។ ពីររយជំហាន រួចហើយ។

ការប្រៀបធៀបដែលបានផ្សព្វផ្សាយរបស់ Intel មាន AutoRound ឈ្នះ GPTQ ក្នុង 30 ក្នុងចំណោម 32 សេណារីយ៉ូដែលបានធ្វើតេស្ត AWQ ក្នុង 27 ក្នុងចំណោម 32 និង OmniQuant ក្នុង 29 ក្នុងចំណោម 32 នៅការកំណត់ចំនួនតែទម្ងន់ 4-bit ជាមួយចំណេញធៀបនឹងការបង្គត់ជិតបំផុតធម្មតា 6.9 ដល់ 33.2 ពិន្ទុភាពត្រឹមត្រូវនៅ 2 bit។ គ្មានអ្វីមួយក្នុងចំណោមនោះចំណាយអ្វីនៅពេលអនុមានទេ៖ វាជាជម្រើសលេខល្អជាង ធ្វើម្តង ក្រៅបណ្តាញ។

REAP — ដកអ្នកជំនាញដែលគ្មាននរណានាំផ្លូវទៅ

REAP (Router-weighted Expert Activation Pruning) ពី Cerebras Systems និងសាកលវិទ្យាល័យ Calgary ជាការបង្រួមតែម្តងសម្រាប់ម៉ូដែល MoE។ វាវាយតម្លៃអ្នកជំនាញនីមួយៗតាមថាតើ router ជ្រើសរើសវាខ្លាំង និងញឹកញាប់ប៉ុណ្ណា គុណនឹងទំហំលទ្ធផលរបស់អ្នកជំនាញនោះ បន្ទាប់មកលុបចោលអ្នកមិនលេចធ្លោបំផុតទាំងស្រុង — គ្មានការបណ្តុះបណ្តាលឡើងវិញនៅពេលក្រោយ។

ការរកឃើញកណ្តាលរបស់ក្រដាសនេះជាចំណុចមានប្រយោជន៍៖ នៅអត្រាបង្រួមខ្ពស់ ការកាត់ចោលអ្នកជំនាញឈ្នះការបញ្ចូលគ្នា។ ការបញ្ចូលគ្នានៃអ្នកជំនាញខុសគ្នាមុខងារបណ្តាលឲ្យអ្វីដែលអ្នកនិពន្ធហៅថាការដួលរលំចន្លោះមុខងារ — router បាត់បង់ការគ្រប់គ្រងលម្អិត អាស្រ័យទិន្នន័យបញ្ចូល ដែលធ្វើឲ្យ MoE មានតម្លៃសាងសង់ ហើយត្រូវនៅសល់ជាមួយការនាំផ្លូវរវាងមធ្យមភាគថេរ។ លេខរបស់ពួកគេកាត់តាមម៉ូដែលពី 20B ដល់ 1T ប៉ារ៉ាម៉ែត្រ៖ នៅការបង្រួមអ្នកជំនាញ 25% លើភារកិច្ចសរសេរកូដ REAP បាត់បង់ភាពត្រឹមត្រូវជាមធ្យម 2.8% ខណៈតង្កៀបស្តង់ដារបញ្ចូលគ្នាបាត់បង់លើសពី 5% នៅ 50% REAP បាត់បង់ 8.0% ខណៈការបញ្ចូលគ្នាបាត់បង់លើសពី 20%។ លើ Qwen3-Coder-480B នៅការកាត់ចោល 50% ការធ្លាក់ចុះគឺ 1.4% ធៀបនឹង 39.3% សម្រាប់ការកាត់ចោលដោយផ្អែកលើប្រេកង់ធម្មតា។ Cerebras បានផ្សព្វផ្សាយចំណុចត្រួតពិនិត្យ REAP សម្រាប់ខ្សែសង្វាក់ DeepSeek ក្នុងចំណោមផ្សេងទៀត។

ហេតុអ្វី 4-bit នៅទីនេះ និង 3-bit លើ Pro

ថ្នាក់ទាំងពីរត្រូវសមទំហំ និងនៅតែលឿននៅលើផ្នែករឹងថ្នាក់ដូចគ្នា។ Pro កាន់ 1.7 លានលានប៉ារ៉ាម៉ែត្រ ដូច្នេះវាត្រូវការការព្យាបាល 3-bit ខ្លាំងជាងដើម្បីសមទំហំសោះ។ Flash កាន់ប្រហែល 300 ប៊ីលាន ដូច្នេះវាមិនត្រូវការទេ — ហើយប៊ីតដែលវាសន្សំបានចំណាយលើភាពស្មោះត្រង់ជំនួសឲ្យការសមទំហំ។

ប៊ីតបន្ថែមនោះសំខាន់ជាងអ្វីដែលនព្វន្ធរបស់វាបង្ហាញ ព្រោះការខូចខាតការកំណត់ចំនួនមិនមែនលីនេអ៊ែរទេ។ នៅក្នុងការវាស់ WikiText-2 របស់ក្រដាស AWQ Llama-2-7B ទៅពី 5.47 perplexity នៅ FP16 ទៅ 5.60 នៅ 4-bit — ការពិន័យ 2.4% — ប៉ុន្តែទៅ 6.24 នៅ 3-bit ការពិន័យ 14%។ នោះប្រហែល ប្រាំមួយដងនៃការធ្លាក់ចុះសម្រាប់ការបង្រួម 25% បន្ថែម ហើយលំនាំដូចគ្នាកើតឡើងនៅ 70B ផងដែរ។ ក្រដាស GPTQ ត្រង់ជាងទៅទៀត៖ នៅ 3 bit ការបង្គត់ជិតបំផុតធម្មតាដួលរលំលើម៉ូដែលថ្នាក់ 175B ចូលទៅក្នុងរាប់ពាន់ perplexity ខណៈនៅតែប្រើប្រាស់បានពេញលេញនៅ 4 bit។ ក្រោម 4 bit ក្បួនដោះស្រាយការកំណត់ចំនួនល្អឈប់ជាភាពប្រណីត ហើយក្លាយជាអ្វីតែមួយគត់ដែលកាន់ម៉ូដែលឲ្យនៅជាមួយគ្នា។

ដូច្នេះការអានស្មោះត្រង់នៃបច្ច័យទាំងពីរនេះគឺ៖ Flash ស្ថិតជិតខ្លួនឯងមិនទាន់បង្រួមរបស់វា ជាងអ្វីដែល Pro ស្ថិតជិតរបស់ខ្លួន។ Pro នៅតែជាម៉ូដែលខ្លាំងជាង — តារាងស្តង់ដារវាស់ស្ទង់ខាងលើសម្រេចវា។ វាគ្រាន់តែបោះបង់ច្រើនជាងដើម្បីមកដល់ទីនេះ ហើយអ្នកបង់ថ្លៃសម្រាប់សិទ្ធិនោះ។

ប្រភព៖ 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។ តួលេខ Perplexity ពី AWQ (arXiv 2306.00978) និង GPTQ (arXiv 2210.17323)។

05Flash ធៀបនឹង Pro នៅចំណុចប្រទាក់

ផ្នែក 03 បានគ្របដណ្តប់គ្រឹះ។ នេះជាអ្វីដែលថ្នាក់ទាំងពីរមើលទៅដូចផលិតផលនៅលើផ្លូវចូលរបស់យើង៖

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
ការកំណត់ចំនួន	W4A16-AUTOROUND-REAP	3BIT-REAP
ភាពត្រឹមត្រូវទម្ងន់	4-bit ការបង្គត់ដែលបានរៀន	3-bit
គ្រឹះ (សរុប / សកម្ម)	~304B / 13B	~1.7T / 49B
ចូលក្នុងមួយលានថូខឹន	$0.50	$1.95
ចេញក្នុងមួយលានថូខឹន	$2.00	$3.90
បរិបទ / លទ្ធផលអតិបរមា	262,144 / 16,384	262,144 / 16,384
ឧបករណ៍ · លទ្ធផលមានរចនាសម្ព័ន្ធ · streaming	មាន	មាន
ការមើលឃើញ	ទេ	ទេ
ស្រទាប់ការបដិសេធ	គ្មាន	គ្មាន

សូមកត់សម្គាល់អ្វីដែលមិនផ្លាស់ប្តូរ៖ បរិបទ ដែនកំណត់លទ្ធផល ការហៅឧបករណ៍ លទ្ធផលមានរចនាសម្ព័ន្ធ និងអវត្តមាននៃស្រទាប់ការបដិសេធដូចគ្នាបេះបិទ។ អ្វីតែមួយគត់ដែលផ្លាស់ប្តូរគឺគ្រឹះ ការកំណត់ចំនួន និងតម្លៃ។ នោះធ្វើឲ្យការប្តូររវាងពួកវាជាការផ្លាស់ប្តូរខ្សែអក្សរមួយនៅក្នុងកូដរបស់អ្នក និងការសម្រេចចិត្តសេដ្ឋកិច្ចសុទ្ធនៅក្នុងស្ថាបត្យកម្មរបស់អ្នក។

អ្វីដែលការហៅទំហំអតិបរមាមួយចំណាយ

បំពេញបរិបទ 262,144 ថូខឹនទាំងមូល ហើយយកលទ្ធផលពេញ 16,384 ថូខឹន៖

តម្លៃបញ្ជី។ Flash៖ $0.131 ចូល + $0.033 ចេញ។ Pro៖ $0.511 + $0.064។ សមាមាត្រ 3.51×។ Flash ក៏ចែករំលែកកម្រិតជាន់ $0.50 / $2.00 ជាមួយ MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro និង Hy3 — សូមមើល កាតាឡុកពេញលេញ សម្រាប់របៀបដែលពួកវាខុសគ្នាលើការមើលឃើញ និងលទ្ធផលមានរចនាសម្ព័ន្ធ។

06នព្វន្ធបរិមាណ ធ្វើឲ្យច្បាស់

"ថោកជាង 3.9×" ត្រឹមត្រូវតែលើចូលប៉ុណ្ណោះ។ លើចេញ Flash ថោកជាង 1.95×។ ការសន្សំពិតប្រាកដរបស់អ្នកអាស្រ័យលើសមាមាត្រចូល-ចេញរបស់អ្នក ហើយជួរធំល្មមដើម្បីផ្លាស់ប្តូរការសម្រេចចិត្តរចនា។ បន្ទុកការងារជាក់ស្តែងបួន នីមួយៗនៅ 100,000 សំណើ៖

បន្ទុកការងារ	ចូល / ចេញ ក្នុងមួយការហៅ	Flash	Pro	ការសន្សំ
ការចាត់ថ្នាក់សំបុត្រ	1,200 / 120	$84	$281	3.3×
ការឆ្លើយសំណួរ RAG	8,000 / 600	$520	$1,794	3.4×
សេចក្តីសង្ខេបឯកសារវែង	60,000 / 1,500	$3,300	$12,285	3.7×
ការបង្កើតទិន្នន័យសំយោគ	500 / 2,000	$425	$878	2.1×

លំនាំ៖ អ្នកកាន់តែរុញបរិបទច្រើន និងបង្កើតអត្ថបទតិចជាង Flash កាន់តែសន្សំសម្រាប់អ្នក។ បំពង់ទាញយកព័ត៌មាន ការតម្រៀបចាត់ថ្នាក់ឯកសារ ការវិភាគកំណត់ហេតុ និងអត្ថបទចម្លង និងការទាញយកបរិបទវែងជាចំណុចផ្អែម — ពួកវាគ្រប់គ្រងដោយចូលតាមលំដាប់ទំហំមួយ ហើយចូលជាកន្លែងដែលការបញ្ចុះតម្លៃ 3.9× រស់នៅ។ បើផ្ទុយទៅវិញ បន្ទុកការងាររបស់អ្នកជាសំណើខ្លីមួយបង្កើតថូខឹនរាប់ពាន់ជាសម្រាយអត្ថបទ គម្លាតតូចចុះមកប្រហែល 2× ហើយអំណះអំណាងសមត្ថភាពសម្រាប់ Pro រឹងមាំជាងសមាមាត្រ។

នព្វន្ធមួយបន្ថែមទៀតដែលសមនឹងទទួលយកចិត្ត៖ ក្នុងតម្លៃ $0.50 ក្នុងមួយលានថូខឹនចូល បង្អួច 262,144 ថូខឹនទាំងមូលចំណាយ 13.1 សេនដើម្បីបំពេញ។ ការសរសេរប្រធានបទបរិបទវែងឈប់ជាសំណួរថវិកានៅតម្លៃនោះ ដែលពេលខ្លះមានន័យថាអ្នកអាចរំលងការសាងសង់ស្រទាប់ទាញយកទាំងស្រុង ហើយទុកឲ្យបង្អួចបរិបទធ្វើការងារ — ការសន្សំវិស្វកម្មបន្ថែមលើការសន្សំថូខឹន។

07អត្ថន័យនៃ "គ្មានសេនស័រ" នៅទីនេះ ជាក់លាក់

ពាក្យនេះត្រូវបានប្រើប្រាស់ជាទូទៅ ដូច្នេះនេះជានិយមន័យរបស់យើង ចែងជាលក្ខណៈសម្បត្តិនៃចំណុចប្រទាក់៖ គ្មានអ្នកចាត់ថ្នាក់ការបដិសេធនៅមុខម៉ូដែល និងគ្មានតម្រងខ្លឹមសារអនុវត្តលើលទ្ធផលរបស់វា។ គ្មានអ្វីស្ទាក់ចាប់សំណើ ហើយត្រឡប់ការបដិសេធស្រេចស្រាំមួយទេ គ្មានអ្វីពិនិត្យលទ្ធផលបញ្ចប់ ហើយកាត់ចេញវាទេ។ សម្រាប់ការងារផលិតកម្មបរិមាណច្រើន លទ្ធផលមិនសូវអស្ចារ្យ ហើយមានប្រយោជន៍ជាងអ្វីដែលពាក្យនេះបង្ហាញ៖

• គ្មានលទ្ធផលវិជ្ជមានក្លែងក្លាយលើចរាចរណ៍គ្មានគ្រោះថ្នាក់។ ចំណុចប្រទាក់ដែលមានតម្រងបដិសេធជាទៀងទាត់នូវសេចក្តីសង្ខេបវេជ្ជសាស្ត្រ អត្ថបទសន្តិសុខ ការរកឯកសារច្បាប់ រឿងប្រឌិត សម្ភារៈកាត់បន្ថយគ្រោះថ្នាក់ និងការងារត្រួតត្រាខ្លួនឯង — ជាក់ស្តែងប្រភេទដែលការងារជាបណ្តុំកំពុងដំណើរការអត្ថបទអំពីប្រធានបទរសើប ជាជាងបង្កើតអ្វីដែលបង្កគ្រោះថ្នាក់។ នៅមួយសែនសំណើ អត្រាបដិសេធខុសមួយភាគរយជាជួរដេកខូចមួយពាន់។
• កិច្ចសន្យាកំណត់ច្បាស់លាស់។ សុំចម្លើយ json_schema ហើយអ្នកទទួលបាន JSON ត្រូវនឹង schema មិនមែនកថាខណ្ឌសុំទោសកន្លែងវត្ថុគួរនៅទេ។ ឧបករណ៍ញែករបស់អ្នកមិនត្រូវការមែកបដិសេធទេ ហើយតក្កវិជ្ជាព្យាយាមឡើងវិញរបស់អ្នកមិនចាំបាច់ញែកការបរាជ័យ transport ពីការបរាជ័យគោលការណ៍ទេ។
• អ្នកជាម្ចាស់គោលការណ៍។ នោះជាការដូរ។ បើផលិតផលរបស់អ្នកត្រូវការរបាំងការពារសម្រាប់អ្នកប្រើប្រាស់ចុងក្រោយ អ្នកសាងសង់ពួកវានៅស្រទាប់របស់អ្នក ដែលអ្នកស្គាល់អ្នកប្រើប្រាស់ និងយុត្តាធិការរបស់អ្នក ជាជាងទទួលមរតកការទាយរបស់ក្រុមហ៊ុនផ្តល់សេវាអំពីទាំងពីរនោះ។ គណនីរបស់អ្នកនៅតែគ្រប់គ្រងដោយគោលការណ៍ប្រើប្រាស់ដោយទទួលខុសត្រូវរបស់យើង។

គ្មានសេនស័រមិនដូចគ្នាទៅនឹងគ្មានតម្រឹម ឬគ្មានប្រយោជន៍ទេ។ ម៉ូដែលនៅតែធ្វើតាមការណែនាំ និងគោរពសំណើប្រព័ន្ធ។ បើអ្នកចង់ឲ្យវាបដិសេធប្រភេទជាក់លាក់សម្រាប់អ្នកប្រើប្រាស់របស់អ្នក សូមប្រាប់វានៅទីនោះ — ការណែនាំនោះឥឡូវជារបស់អ្នកសរសេរ ជាជាងជារបស់យើងដាក់ដាក់។

08សមត្ថភាព និងដែនកំណត់ស្មោះត្រង់

សមត្ថភាពពីរកាន់ទម្ងន់ភាគច្រើនសម្រាប់ការងារបរិមាណច្រើន។ លទ្ធផល json_schema តឹងរឹង ប្រែក្លាយលទ្ធផលបញ្ចប់ទៅជាជួរដេកមូលដ្ឋានទិន្នន័យ ដោយគ្មានស្រទាប់ញែក និងគ្មានមែកបដិសេធ។ ការហៅឧបករណ៍នៅលើភាសាទាំងបី ធ្វើឲ្យ Flash ជាម៉ាស៊ីនសមហេតុផលសម្រាប់ជំហានរងថោករបស់ភ្នាក់ងារដែលអ្នកគ្រោងកម្រិតកំពូលរត់លើម៉ូដែលខ្លាំងជាង។ បន្ថែម reasoning_effort ដែលអនុញ្ញាតឲ្យអ្នកចំណាយថូខឹនបន្ថែមតែលើភាគនៃចរាចរណ៍ដែលត្រូវការវា និងបរិបទ 262,144 ថូខឹនដូចគ្នាទៅនឹង Pro — អ្នកមិនបោះបង់បរិបទដោយជ្រើសរើសថ្នាក់ថោកទេ ដែលនោះមិនធម្មតា។

ដែនកំណត់ក៏ជាក់លាក់ស្មើគ្នា៖

• គ្មានការមើលឃើញ។ Flash ជាអត្ថបទតែប៉ុណ្ណោះ ហើយនឹងបដិសេធផ្នែករូបភាពនៅក្នុងសារ។ សម្រាប់រូបភាពលើម៉ូដែលគ្មានសេនស័រនៅកម្រិតជាន់ $0.50 / $2.00 ដូចគ្នា MiniMax-M3 និង MiMo-V2.5 ជាជម្រើសមានការមើលឃើញ Kimi-K2.6 និង Kimi-K3 ជាម៉ូដែលមើលឃើញខ្លាំងជាងលើថ្នាក់ខ្ពស់ជាងនោះ។
• មិនមែនកំពូលជណ្តើរទេ។ លេខផ្ទាល់ខ្លួនរបស់ DeepSeek ដាក់ Pro នៅមុខលើស្តង់ដារវាស់ស្ទង់ភ្នាក់ងារដែលបានផ្សព្វផ្សាយគ្រប់មួយ ជាមួយគម្លាតធំបំផុតលើការវែកញែកកូដច្រើនជំហានជាប់លាប់។ កន្លែងណាដែលចម្លើយខុសមួយចំណាយច្រើនជាងចម្លើយថោកមួយពាន់ ចំណាយ $1.45 ក្នុងមួយលានបន្ថែមលើ DeepSeek-V4-Pro។
• 16,384 ថូខឹនលទ្ធផលក្នុងមួយសំណើ។ ការបង្កើតវែងត្រូវកាត់ជាបំណែកកាត់តាមការហៅច្រើន។ នេះជាតង្កៀបស្តង់ដារដូចគ្នាលើម៉ូដែលគ្រប់រូបដែលយើងបម្រើ ហើយវាចងមុនពេលបង្អួចបរិបទធ្វើដូច្នេះឆ្ងាយណាស់។

09ការហៅវា

ចង្អុលកម្មវិធីភ្ញៀវត្រូវគ្នាជាមួយ OpenAI ណាមួយទៅផ្លូវចូល ហើយប្តូរខ្សែអក្សរម៉ូដែល។ គ្មានអ្វីផ្សេងទៀតនៅក្នុងគំនរបស់អ្នកត្រូវផ្លាស់ប្តូរទេ។

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
        }
      }
    }
  }'

លេខសម្គាល់ម៉ូដែលដូចគ្នាដំណើរការដោយគ្មានផ្លាស់ប្តូរនៅលើ /v1/messages និង /v1/responses ដែលជាវិធីលឿនបំផុតដើម្បី A/B ម៉ូដែលថោកជាងនៅក្រោមការរួមបញ្ចូលដែលមានស្រាប់ដោយគ្មានសរសេរកម្មវិធីភ្ញៀវរបស់អ្នកឡើងវិញ។ ប៉ារ៉ាម៉ែត្រ រូបរាងព្រឹត្តិការណ៍ streaming schema ការហៅឧបករណ៍ និងដែនកំណត់អត្រាត្រូវបានចងក្រងឯកសារនៅក្នុង ឯកសារយោង API ម៉ូដែលគ្រប់រូបនៅក្នុងកាតាឡុកត្រូវបានរាយនៅ Shannon Research។

10សំណួរដែលសួរញឹកញាប់

---

ប្រភព៖ DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · របាយការណ៍បច្ចេកទេស DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · ប័ណ្ណម៉ូដែល DeepSeek-V4-Flash-0731 និង DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323)។ តួលេខគ្រឹះ និងស្តង់ដារវាស់ស្ទង់ទាំងអស់ដូចបានផ្សព្វផ្សាយដោយអ្នកនិពន្ធរៀងៗខ្លួន តម្លៃ Shannon AI និងបរិបទបម្រើជាតម្លៃបញ្ជីផ្ទាល់ខ្លួនរបស់យើងគិតត្រឹមខែកញ្ញា ឆ្នាំ 2026។