API DeepSeek គ្មានសេនស័រ

អ្នកដែលមកដល់ឃ្លា "API DeepSeek គ្មានសេនស័រ" ចង់បានរបស់មួយជាក់លាក់៖ ម៉ូដែលមួយដែលមានសមត្ថភាពវែកញែក និងសរសេរកូដរបស់ DeepSeek ដែលឆ្លើយសំណួរដែលពួកគេពិតជាបានសួរ។ ពាក់កណ្តាលសមត្ថភាពត្រូវបានចងក្រងឯកសារយ៉ាងច្បាស់ — DeepSeek-AI បានផ្សព្វផ្សាយស្ថាបត្យកម្ម និងលេខ ហើយទម្ងន់នៅលើ Hugging Face ក្រោមអាជ្ញាប័ណ្ណ MIT។ ពាក់កណ្តាលទីពីរជាការសម្រេចចិត្តប្រតិបត្តិការ ហើយជាធម្មតាត្រូវបានសម្រេចជំនួសអ្នក។ ទំព័រនេះគ្របដណ្តប់ទាំងពីរ៖ តើគ្រឹះ V4-Pro ជាអ្វី តើការសាងសង់ 3BIT-REAP របស់យើងធ្វើអ្វីទៅលើវា និងអ្វីដែល "គ្មានសេនស័រ" មានន័យពិតប្រាកដ ពេលយើងនិយាយវា។

01តើ "API DeepSeek គ្មានសេនស័រ" មានន័យអ្វីពិតប្រាកដ

យន្តការពីរផ្សេងគ្នាត្រូវបានដាក់ក្រោមពាក្យតែមួយ។ ទីមួយជា ការតម្រឹមដែលដុតបញ្ចូលក្នុងទម្ងន់ — ឥរិយាបថបដិសេធដែលរៀនកំឡុងពេលក្រោយបណ្តុះបណ្តាល។ ទីពីរជា ស្រទាប់ត្រួតពិនិត្យខាងផ្នែកបម្រើសេវា៖ អ្នកចាត់ថ្នាក់ដាច់ដោយឡែកមួយដែលពិនិត្យប្រយោគរបស់អ្នកមុនពេលម៉ូដែលឃើញវា និងលទ្ធផលមុនពេលអ្នកឃើញវា ហើយអាចកាត់ចម្លើយពាក់កណ្តាលប្រយោគ ដោយមិនគិតពីអ្វីដែលម៉ូដែលចង់និយាយ។

ទាំងពីរអាចវាស់វែងបាន ហើយសេវាកម្មផ្ទាល់របស់ DeepSeek ត្រូវបានវាស់វែងរួចហើយ។ Promptfoo បានប្រមូលសំណុំសំណួរប្រកបដោយភាពរសើបនយោបាយចំនួន 1,360 ហើយរាយការណ៍ថា R1 ដែលបង្ហោះដោយ DeepSeek បានបដិសេធ ឬបង្វែរចេញចំនួន 1,156 — ប្រហែល 85%។ ការសិក្សាលើគ្រួសារម៉ូដែលដូចគ្នាបានរកឃើញលំនាំបរាជ័យផ្សេងមួយដែលអ្នកនិពន្ធហៅថា ការបង្ក្រាបគំនិត ជាកន្លែងដែលដានវែកញែករបស់ម៉ូដែលបញ្ចប់ស្ទើរតែភ្លាមៗពេលចាប់ផ្តើមលើប្រធានបទរសើប។ ការត្រួតពិនិត្យដាច់ដោយឡែកមួយបានផ្សព្វផ្សាយក្នុងទស្សនាវដ្តី Information Sciences កត់ត្រា ការបង្ក្រាបកម្រិតន័យន័យ៖ ខ្លឹមសារដែលមានវត្តមាននៅក្នុងការវែកញែកខាងក្នុងរបស់ម៉ូដែល ដែលត្រូវបានលុបចោល ឬសរសេរឡើងវិញដោយស្ងាត់ៗមុនពេលវាមកដល់អ្នកប្រើ។ នោះជាបញ្ហាពិបាកជាងការបដិសេធត្រង់ៗ ព្រោះចម្លើយដែលកាត់ខ្លីមើលទៅដូចជាចម្លើយមួយ។

អ្វីដែលយើងដំណើរការជាការចេញផ្សាយទម្ងន់បើកចំហ នៅលើផ្នែករឹងដែលយើងប្រតិបត្តិការ នៅសហរដ្ឋអាមេរិក ក្រោម Shannon Lab LLC។ គ្មានស្រទាប់ការបដិសេធនៅពីមុខម៉ូដែល ហើយគ្មានតម្រងអនុវត្តលើអ្វីដែលត្រឡប់មកវិញ៖ ប្រយោគរបស់អ្នកមិនត្រូវបានចាត់ថ្នាក់តាមគោលការណ៍មុនពេលបម្រើ ហើយស្ទ្រីមលទ្ធផលមិនត្រូវបានពិនិត្យនៅផ្លូវចេញរបស់វាទេ។ ព្រោះគ្រឹះមានអាជ្ញាប័ណ្ណ MIT និងជាសាធារណៈ អ្នកអាចប្រៀបធៀបលទ្ធផលរបស់យើងធៀបនឹងទម្ងន់យោងដោយខ្លួនឯង ជាជាងជឿពាក្យរបស់យើង។

02គ្រឹះ៖ DeepSeek-V4-Pro ជា MoE 1.6T

DeepSeek-V4 ជាគ្រួសារទម្ងន់បើកចំហបច្ចុប្បន្នរបស់ DeepSeek-AI ដែលបានបង្ហាញជាមុនក្នុងខែមេសា ឆ្នាំ 2026 និងចេញផ្សាយក្រោម MIT ជាពីរទំហំ៖ V4-Flash (284B សរុប 13B ធ្វើសកម្មភាព) និង V4-Pro (1.6T សរុប 49B ធ្វើសកម្មភាព)។ អត្ថបទនេះនិយាយអំពីថ្នាក់ Pro។ ទាំងពីរត្រូវបានបណ្តុះបណ្តាលជាមុនលើប្រហែល 33 លានលានថូខឹន ហើយទាំងពីរគាំទ្របរិបទមួយលានថូខឹនដោយធម្មជាតិ។

អនុបាតកម្រិតរាយប៉ាយជាចំណុចដែលគួរកត់សម្គាល់៖ មានតែប្រហែល 3% នៃប៉ារ៉ាម៉ែត្រ ដែលធ្វើសកម្មភាពលើថូខឹនណាមួយ ដែលនោះជាអ្វីដែលធ្វើឲ្យម៉ូដែលធំបែបនេះអាចបម្រើបានទាំងអស់។ ប្លុក MoE ខ្លួនឯងនៅតែជា DeepSeekMoE — អ្នកជំនាញនាំផ្លូវលម្អិត បូកនឹងអ្នកជំនាញរួមដែលដំណើរការជានិច្ចដែលបានណែនាំក្នុង V2 — ជាមួយការផ្លាស់ប្តូរតូចតាចតែក្នុង V4 ដែលមើលឃើញច្បាស់បំផុតគឺការនាំផ្លូវ hash ក្នុងស្រទាប់ដំបូងបំផុត។ Multi-Token Prediction គោលដៅជំនួយរបស់ V3 ដែលក៏អនុញ្ញាតឲ្យមាន speculative decoding ត្រូវបានរក្សាដដែលដោយគ្មានការផ្លាស់ប្តូរ។

ផ្នែកថ្មីនៅក្នុង V4 ជារចនាសម្ព័ន្ធ។ Manifold-Constrained Hyper-Connections (mHC) ជំនួសផ្លូវសំណល់ធម្មតាដោយម៉ាទ្រីសលាយដែលបានរៀនមួយ ដែលកំណត់លើ manifold នៃម៉ាទ្រីស doubly stochastic តាមរយៈការចាំង Sinkhorn–Knopp — ស្ទ្រីមសំណល់ដែលកំណត់ទម្ងន់ឡើងវិញតាមទិន្នន័យបញ្ចូលនីមួយៗ ដោយគ្មានការរសាត់លេខដែលសម្លាប់ជង់ជម្រៅខ្លាំង។ ការបណ្តុះបណ្តាលបានផ្លាស់ចេញពី AdamW ទៅ Muon សម្រាប់ម៉ូឌុលភាគច្រើន ដោយប្រើ Newton–Schulz orthogonalization ដោយ AdamW ត្រូវបានរក្សាតែសម្រាប់ embeddings ក្បាលព្យាករណ៍ ការធ្វើឲ្យធម្មតា និងប៉ារ៉ាម៉ែត្រ mHC ថេរ។ ហើយទម្ងន់អ្នកជំនាញត្រូវបានបណ្តុះបណ្តាលក្នុង FP4 ជាមួយប៉ារ៉ាម៉ែត្រផ្សេងទៀតភាគច្រើនក្នុង FP8 — ដឹងពីការបំប្លែងតាំងពីដើម ដែលសំខាន់ចំពោះរបៀបដែលម៉ូដែលទទួលយកការបង្រួមទិន្នន័យបន្ថែមទៀតដោយរលូន។

03ពី MLA ទៅ CSA + HCA៖ របៀបដែល DeepSeek រក្សាបរិបទវែងឲ្យថោក

ខ្សែស្រឡាយរបស់ DeepSeek កាត់តាមជំនាន់ទាំងបួនមិនមែនជាទំហំទេ គឺជាសេដ្ឋកិច្ចនៃការយកចិត្តទុកដាក់ (attention)។ ជំនាន់នីមួយៗបានវាយប្រហារ KV cache ដែលកើនឡើងជាលីនេអ៊ែរតាមបរិបទ និងគ្រប់គ្រងសតិលើប្រវែងវែង។

• V2 បានណែនាំ Multi-head Latent Attention (MLA) — ការបង្រួមទិន្នន័យរួមចំណាត់ថ្នាក់ទាបនៃ keys និង values ទៅជា vector មិនច្បាស់មួយ ដូច្នេះការបង្កើតទុក cache vector នោះបូកនឹង RoPE key ដាច់ដោយឡែក ជំនួសឲ្យ K និង V ពេញលេញក្នុងក្បាលនីមួយៗ។ DeepSeek រាយការណ៍ KV cache ធ្លាក់ចុះមកត្រឹមប្រហែល 4–14% នៃ multi-head attention ស្តង់ដារ ដោយគុណភាពនៅដដែល ឬប្រសើរឡើង។
• V3 បានពង្រីកវាទៅ 671B ធ្វើឲ្យ MLA ជាការសន្មតលំនាំដើមសម្រាប់បរិបទវែងថោកក្នុងម៉ូដែលបើកចំហ។
• V3.2 បានបន្ថែម DeepSeek Sparse Attention (DSA) ជ្រើសរើសសំណុំរង top-k នៃប្រវត្តិក្នុងមួយសំណួរតាមរយៈ indexer ស្រាល ជាជាងយកចិត្តទុកដាក់លើអ្វីៗទាំងអស់។
• V4 ចម្រុះបញ្ចូលគ្នា។ Compressed Sparse Attention (CSA) ដំបូងបង្រួមទិន្នន័យធាតុ KV នៃថូខឹនរាល់ m ទៅជាធាតុមួយជាមួយទម្ងន់ដែលបានរៀន បន្ទាប់មករត់ការជ្រើសរើស top-k រាយប៉ាយលើធាតុដែលបានបង្រួមទាំងនោះ។ Heavily Compressed Attention (HCA) បង្រួមទិន្នន័យខ្លាំងជាងច្រើន តែនៅតែក្រាស់លើលទ្ធផល។ ប្រភេទស្រទាប់ទាំងពីរត្រូវបានឆ្លាស់គ្នាកាត់ជង់ ដូច្នេះសេចក្តីសង្ខេបសកលថោក និងការទាញយកមូលដ្ឋានច្បាស់លាស់រួមគ្នាមាន។

ផលចំណេញដែលបានរាយការណ៍នៅបរិបទមួយលានថូខឹនគឺច្បាស់ណាស់៖ V4-Pro ត្រូវការត្រឹមប្រហែល 27% នៃ FLOPs អនុមានក្នុងមួយថូខឹន និង 10% នៃ KV cache របស់ V3.2។ នោះជាមូលហេតុដែលសំណើ 262K ដំណើរការដូចជាសំណើធម្មតា ជាជាងព្រឹត្តិការណ៍សតិ ហើយនោះជាមូលហេតុដែលលេខការទាញយកបរិបទវែងនៅរឹងមាំ ជាជាងដួលរលំបន្ទាប់ពីប៉ុន្មានម៉ឺនថូខឹន។

04តើបច្ច័យ 3BIT-REAP មានន័យអ្វី

លេខសម្គាល់កាតាឡុករបស់យើងបញ្ចប់ដោយ 3BIT-REAP ហើយនោះពណ៌នាជំហានបង្រួមទិន្នន័យឯករាជ្យពីរដែលអនុវត្តតាមលំដាប់។

REAP៖ កាត់ចោលអ្នកជំនាញ មិនមែនបញ្ចូលគ្នា

REAP ជា Router-weighted Expert Activation Pruning មកពី Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression" ដែលត្រូវបានទទួលយកចូល ICLR 2026។ ក្នុង MoE រាយប៉ាយមួយ router មិនប្រើអ្នកជំនាញរបស់វាស្មើគ្នាទេ៖ កន្ទុយវែងមួយត្រូវបានជ្រើសរើសកម្រ ខ្សោយ ឬទាំងពីរ។ REAP វាយតម្លៃអ្នកជំនាញនីមួយៗដោយបូកបញ្ចូល តម្លៃច្រកនៃ router (ញឹកញាប់ និងខ្លាំងប៉ុណ្ណាដែលវាត្រូវបានជ្រើសរើស) ជាមួយ បទដ្ឋានធ្វើសកម្មភាពរបស់អ្នកជំនាញ (លទ្ធផលរបស់វាចូលរួមប៉ុន្មាន) បន្ទាប់មកលុបចោលអ្នកចាញ់ទាំងស្រុង។

អំណះអំណាងរបស់ក្រដាសនេះគឺថាការកាត់ចោលឈ្នះការបញ្ចូលគ្នា៖ ការបញ្ចូលគ្នាធ្វើមធ្យមភាគបំបាត់ភាពជំនាញមុខងារដែលធ្វើឲ្យ MoE សមនឹងសាងសង់ ខណៈការលុបចោលអ្នកជំនាញដែល router ស្ទើរតែមិនចូលដល់រក្សាវាទុក។ កាត់តាមម៉ូដែលពី 20B ដល់ 1T REAP ប្រសើរជាងការបញ្ចូលគ្នា និងវិធីសាស្ត្រកាត់ចោលដទៃលើស្តង់ដារវាស់ស្ទង់ការបង្កើត ហើយអ្នកនិពន្ធរាយការណ៍ លទ្ធផលស្ទើរតែគ្មានការបាត់បង់លើការបង្កើតកូដ និងការហៅឧបករណ៍ត្រឹមកម្រិតកាត់ចោលអ្នកជំនាញ 50% នៅលើ Qwen3-Coder-480B និង Kimi-K2 — ដែលជាទម្រង់ខាតធ្ងន់ការងារពិតប្រាកដដែលម៉ូដែលនេះមានសម្រាប់។

ទម្ងន់ 3-bit៖ ថ្នាក់បង្រួមទិន្នន័យសម្រាប់គ្រឹះធំបំផុត

អ្វីដែលនៅរួចត្រូវបានបំប្លែងទៅជាទម្ងន់ 3-bit។ បីប៊ីតជាការបង្រួមខ្លាំង ហើយយើងមិនធ្វើពុតថាមិនមែនទេ៖ កាត់តាមក្រុមម៉ូដែល យើងប្រើ W8A16 កន្លែងដែលគ្រឹះតូចល្មមមិនត្រូវការការបង្រួម W4A16-AUTOROUND-REAP នៅកណ្តាល និង 3BIT-REAP តែលើគ្រឹះធំបំផុតប៉ុណ្ណោះ ជាកន្លែងដែលវាជាភាពខុសគ្នារវាងការបម្រើម៉ូដែល និងមិនបម្រើវា។

ការចាត់ថ្លៃសមនឹងនិយាយឲ្យច្បាស់៖ MoE 3-bit ទំហំ 1.6T មិនដូចគ្នាបេះបិទទៅនឹងកំណែយោងទេ ហើយថ្លៃគុណភាពតូចមួយពិតជាមាន។ អ្វីដែលអ្នកទទួលបានសម្រាប់វាគឺជាគ្រឹះមួយដែលដំបូលមិនបានបង្រួម ខ្ពស់ជាង អ្វីៗដែលសមទំហំយ៉ាងស្រួលនៅភាពជាក់លាក់ខ្ពស់ជាង — ហើយព្រោះអ្នកជំនាញរបស់ V4 ត្រូវបានបណ្តុះបណ្តាលក្នុង FP4 តាំងពីដើម ម៉ូដែលនេះមានឥរិយាបថល្អខុសពីធម្មតាក្រោមការបង្រួមទម្ងន់បន្ថែមទៀត។ បើអ្នកចង់បានការសាងសង់ DeepSeek ដែលប៉ះពាល់ភាពជាក់លាក់តិចជាង DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP ប្រើទម្ងន់ 4-bit ជាមួយការធ្វើសកម្មភាព 16-bit និងការបង្គត់ដែលបានរៀនរបស់ AutoRound នៅលើបរិបទ 262K ដូចគ្នា ក្នុងតម្លៃ $0.50 ចូល / $2.00 ចេញ។

05ការវែកញែក និងកន្សោម reasoning_effort

ការបណ្តុះបណ្តាលក្រោយរបស់ V4 បណ្តុះបណ្តាលអ្នកជំនាញតាមវិស័យដាច់ដោយឡែក — គណិតវិទ្យា ការសរសេរកូដ ភ្នាក់ងារ ការធ្វើតាមការណែនាំ — ជាមួយ SFT បន្តដោយ GRPO វិធីសាស្ត្រ Group Relative Policy Optimization ដែល DeepSeek បានណែនាំជាមួយ R1។ អ្នកជំនាញទាំងនោះបន្ទាប់មកត្រូវបានបញ្ចូលគ្នាទៅជាម៉ូដែលមួយតាមរយៈ on-policy distillation ក្រោមគោលដៅ reverse-KL ដូច្នេះ checkpoint តែមួយផ្ទុកឥរិយាបថកម្រិតអ្នកជំនាញក្នុងវិស័យច្រើនក្នុងពេលតែមួយ ជាជាងជាអ្នកទូទៅដែលមធ្យមក្នុងគ្រប់វិស័យទាំងអស់។

ម៉ូដែលដែលបានចេញផ្សាយបង្ហាញរបៀបគិតជាថ្នាក់ ជាជាងកុងតាក់ពីរតម្លៃ។ លើច្រកទ្វាររបស់យើង នោះជាប៉ារ៉ាម៉ែត្រស្តង់ដារ reasoning_effort ដែលជាកន្សោមមានប្រយោជន៍បំផុតតែមួយលើម៉ូដែលនេះ៖

• Low — ការឆ្លើយស្ទើរតែផ្ទាល់៖ ការចាត់ថ្នាក់ ការទាញយកព័ត៌មាន ការសរសេរឡើងវិញ អ្វីៗណាដែលអ្នកចំណាយសម្រាប់ចំណេះដឹងរបស់ម៉ូដែល ជាជាងការពិចារណារបស់វា។
• Medium — របៀបធ្វើការលំនាំដើមសម្រាប់ការត្រួតពិនិត្យកូដ ការជួសជុលកំហុស និងការវិភាគច្រើនជំហាន។
• High — ការពិចារណាវែងមុនពេលឆ្លើយ។ ជាកន្លែងដែលបញ្ហាពិបាកត្រូវបានដោះស្រាយ និងជាកន្លែងដែលវិក្កយបត្រថូខឹនលទ្ធផលរបស់អ្នកនៅ ព្រោះថូខឹនវែកញែកត្រូវបានគិតលុយជាលទ្ធផល។

ព្រោះគ្មានស្រទាប់ការបដិសេធ ដានវែកញែកមិនត្រូវបានកាត់ខ្លីលើប្រធានបទរសើបទេ — លំនាំការបង្ក្រាបគំនិតដែលបានចងក្រងឯកសារនៅលើសេវាកម្មផ្ទាល់គ្មានយន្តការកើតឡើងនៅទីនេះទេ។

06ការសរសេរកូដ និងការងារភ្នាក់ងារ៖ ពិន្ទុរបស់គ្រឹះ

ទាំងនេះជាតួលេខផ្សព្វផ្សាយផ្ទាល់ខ្លួនរបស់ DeepSeek-AI សម្រាប់ការចេញផ្សាយ V4-Pro — មិនមែនរបស់យើងទេ ហើយមិនត្រូវបានវាស់វែងលើការសាងសង់ដែលបានបំប្លែងរបស់យើងទេ។ យើងបង្ហាញវាព្រោះវាជាមូលហេតុស្មោះត្រង់ក្នុងការជ្រើសរើសគ្រឹះនេះ ហើយសម្គាល់វាថាជាទិន្នន័យផ្ទាល់ ដូច្នេះអ្នកអាចថ្លឹងថ្លែងវាតាមនោះ។

ពីរដែលសមនឹងបញ្ជាក់។ SWE-bench Verified នៅ 80.6% ជាការដោះស្រាយបញ្ហាឃ្លាំងកូដពិត — អានកូដមូលដ្ឋានដែលមិនធ្លាប់ស្គាល់ រកទីតាំងកំហុស បង្កើតបំណះមួយដែលឆ្លងកាត់តេស្តផ្ទាល់ខ្លួនរបស់គម្រោង។ MRCR នៅមួយលានថូខឹន (83.5) ជាការទាញយកសហសំដៅច្រើនជុំនៅប្រវែងពេញ ជាលេខដែលប្រាប់អ្នកថាការអះអាងបរិបទវែងមិនមែនគ្រាន់តែតុបតែងទេ។ DeepSeek ក៏រាយការណ៍ចំណាត់ថ្នាក់ Codeforces 3206 សម្រាប់ម៉ូដែលនេះ និង 62.0 លើ CorpusQA នៅបរិបទ 1M។

តួលេខខាងលើត្រូវបានរាយការណ៍ដោយ DeepSeek-AI សម្រាប់ការចេញផ្សាយកំណែយោង DeepSeek-V4-Pro។ ការសាងសង់ 3BIT-REAP របស់យើងជាបំរែបំរួលដែលបានបង្រួមទិន្នន័យនៃទម្ងន់ទាំងនោះ ហើយមិនត្រូវបានធ្វើតេស្តវាស់ស្ទង់ដោយឯករាជ្យលើកិច្ចការទាំងនេះទេ ចាត់ទុកពិន្ទុយោងជាដំបូលរបស់គ្រឹះ មិនមែនជាការវាស់វែងចំណុចប្រទាក់នេះទេ។

07បរិបទ 262K៖ អ្វីដែលសមទំហំពិតប្រាកដ

ម៉ូដែលយោងត្រូវបានបណ្តុះបណ្តាលសម្រាប់មួយលានថូខឹន។ យើងបម្រើ 262,144 — បង្អួចដែលម៉ូដែលគ្រប់រូបនៅលើច្រកទ្វារចែករំលែក ដូច្នេះការប្តូរម៉ូដែលជាការផ្លាស់ប្តូរបន្ទាត់តែមួយ ហើយមិនដែលជាការធ្លាក់ចុះបរិបទទេ។ ក្នុងការអនុវត្តជាក់ស្តែង 262K ហួសពីចំណុចដែលបរិបទរឹតបន្តឹងលើការងារពិតប្រាកដភាគច្រើន៖

ការងារ	ថូខឹនប្រហែល	សមទំហំក្នុង 262K ទេ?
ឃ្លាំងកូដសេវាកម្មទំហំមធ្យម (~50k បន្ទាត់)	~600K	ទេ — ជ្រើសម៉ូឌុលមួយចំនួន
ប្រព័ន្ធរងតែមួយ + តេស្តរបស់វា	~60–120K	មាន យ៉ាងស្រួល
សំណុំ RFC ពេញលេញសម្រាប់ពិធីការមួយ	~150K	មាន
សៀវភៅបច្ចេកទេសទំហំ 700 ទំព័រ	~250K	មាន ជិតដល់ដែនកំណត់
ការរត់ភ្នាក់ងារវែង 40+ ដងហៅឧបករណ៍	~80–200K	មាន

ដែនកំណត់ដែលត្រូវរៀបចំផែនការជុំវិញគឺលទ្ធផល៖ 16,384 ថូខឹនអតិបរមាក្នុងមួយចម្លើយ។ នោះជាឯកសារវែងមួយ ឬបំណះឯកសារច្រើនធំមួយ តែមិនមែនជាកូដមូលដ្ឋានទាំងមូលទេ។ ការងារបង្កើតធំត្រូវបានធ្វើដោយភ្ជាប់សំណើជាមួយលទ្ធផលមុនត្រឡប់ចូលក្នុងបរិបទ — ដែលបង្អួច 262K ធ្វើឲ្យថោក — ជាជាងសុំសំណើមួយធំសម្បើមតែមួយ។

08តម្លៃ និងទីតាំងរបស់ V4-Pro ក្នុងក្រុមម៉ូដែល

ក្នុងតម្លៃ $1.95 ចូល / $3.90 ចេញ ក្នុងមួយលានថូខឹន V4-Pro ជាថ្នាក់វែកញែកលំដាប់កំពូល — ម៉ូដែលដែលអ្នកសម្រេចចិត្តជ្រើសរើសពេលបញ្ហាពិបាក។ ពេលវាគ្រាន់តែធំ ម៉ូដែលថោកជាងលើបង្អួច 262K ដូចគ្នាអាចធ្វើវាបានក្នុងតម្លៃមួយភាគបួន។

ម៉ូដែលគ្មានសេនស័រ	ចូល / 1M	ចេញ / 1M	ការមើលឃើញ	ល្អបំផុតសម្រាប់
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	ទេ	ការវែកញែកពិបាក កូដ ភ្នាក់ងារ
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	ទេ	ពូជពង្សដូចគ្នា ទំហំបរិមាណខ្ពស់
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	ទេ	សេះការងារទូទៅ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	មាន	ភ្នាក់ងារពហុទម្រង់លំដាប់កំពូល
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	មាន	ការមើលឃើញថោកបំផុត

និយាយត្រង់អំពីការប្រៀបធៀបដែលមនុស្សនឹងធ្វើពិតប្រាកដ៖ API ផ្ទាល់ខ្លួនរបស់ DeepSeek ថោកជាងនេះ — V4-Pro ផ្ទាល់រាយតម្លៃប្រហែល $0.435 ចូល / $0.87 ចេញ ហើយតម្លៃទិន្នន័យបញ្ចូលពេលចាប់ cache ថែមទាំងទាបជាងនេះទៀត។ បើតម្លៃក្នុងមួយថូខឹនជាលក្ខណៈវិនិច្ឆ័យតែមួយគត់របស់អ្នក ហើយឥរិយាបថត្រួតពិនិត្យខ្លឹមសារមិនប៉ះពាល់ការងាររបស់អ្នកទេ ប្រើ API ផ្ទាល់ — យើងចង់ប្រាប់អ្នកឲ្យដឹងជាមុនជាជាងឲ្យអ្នកដឹងក្រោយ។ ថ្លៃបន្ថែមទិញលក្ខណៈសម្បត្តិមួយសំណុំខុសគ្នា៖ គ្មានស្រទាប់ការបដិសេធ និងគ្មានតម្រងលទ្ធផល ប្រតិបត្តិករសហរដ្ឋអាមេរិកក្រោម Shannon Lab LLC checkpoint ដែលមានកាលបរិច្ឆេទថេរ (0813) ដូច្នេះការធ្វើឲ្យប្រសើរឡើងផ្នែកខាងលើដោយស្ងាត់ៗមិនដែលប្តូរលទ្ធផលរបស់អ្នកកណ្តាលគម្រោងទេ ភាសា API បីធៀបនឹងម៉ូដែលមួយ និងបង្អួច 262K និងផ្ទៃប៉ារ៉ាម៉ែត្រដូចគ្នាកាត់តាមម៉ូដែលទាំងដប់ពីរក្នុងក្រុម។

09ការហៅវា៖ បីភាសា ម៉ូដែលមួយ

ម៉ូដែលគ្រប់រូបនៅលើច្រកទ្វារឆ្លើយតបលើចំណុចប្រទាក់ទាំងបីនេះ ដោយមាន streaming លើនីមួយៗ។ អ្នកមិនចាំបាច់ទទួលយក SDK ថ្មីទេ — អ្នកគ្រាន់តែប្តូរ base URL និងលេខសម្គាល់ម៉ូដែល។

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 — ភាសា OpenAI ដំណើរការជាមួយ SDK របស់ OpenAI និងអ្វីៗដែលបានសាងសង់លើពួកវា។
• /v1/messages — ភាសា Anthropic សម្រាប់កូដមូលដ្ឋានដែលបានសរសេររួចហើយតាមរាងនោះ។
• /v1/responses — ចំណុចប្រទាក់រចនាប័ទ្ម Responses។

គាំទ្រលើម៉ូដែលនេះ៖ streaming ការហៅឧបករណ៍ធម្មជាតិ លទ្ធផលមានរចនាសម្ព័ន្ធ json_schema តឹងរឹង response_format និង reasoning_effort។ ឯកសារយោងប៉ារ៉ាម៉ែត្រពេញលេញ និងកន្លែងសាកល្បងផ្ទាល់មាននៅ ឯកសារ API។

10ដែនកំណត់ស្មោះត្រង់

អ្វីបួនដែលគួរដឹងមុនពេលអ្នកសាងសង់លើវា៖

• គ្មានការមើលឃើញ។ អត្ថបទតែប៉ុណ្ណោះ វានឹងមិនទទួលទិន្នន័យបញ្ចូលរូបភាពនៅលើចំណុចប្រទាក់ណាមួយទេ។ បើអ្នកត្រូវការម៉ូដែលគ្មានសេនស័រដែលអាចមើលឃើញ ប្រើ Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ឬ inkling។
• ដំបូលលទ្ធផល 16,384 ថូខឹន។ ថូខឹនវែកញែកគិតទល់នឹងវានៅកម្រិត High ដូច្នេះការពិចារណាវែងទុកកន្លែងតិចជាងសម្រាប់ចម្លើយ។ ភ្ជាប់សំណើសម្រាប់ការងារបង្កើតធំ។
• 3-bit ជាការបង្រួមទិន្នន័យពិតប្រាកដ។ ពិន្ទុយោងពណ៌នាគ្រឹះ មិនមែនការសាងសង់នេះទេ។ សម្រាប់ថ្នាក់ភាពស្មោះត្រង់ខ្ពស់បំផុត ម៉ូដែល W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) មានការបំប្លែងតិចបំផុត។
• គ្មានសេនស័រមិនមានន័យថាគ្មានផលវិបាកទេ។ គ្មានស្រទាប់ការបដិសេធមានន័យថាទំនួលខុសត្រូវចំពោះអ្វីដែលអ្នកសួរ និងអ្វីដែលអ្នកធ្វើជាមួយចម្លើយ ស្ថិតនៅជាមួយអ្នក — ក្រោមលក្ខខណ្ឌសេវាកម្មរបស់យើង និងច្បាប់កន្លែងដែលអ្នកប្រតិបត្តិការ។

11សំណួរដែលសួរញឹកញាប់

---

ប្រភព៖ DeepSeek-AI — ប័ណ្ណម៉ូដែល DeepSeek-V4-Pro · របាយការណ៍បច្ចេកទេស DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · របាយការណ៍បច្ចេកទេស DeepSeek-V3 · REAP the Experts (Cerebras Research) · ការត្រួតពិនិត្យសេនស័ររបស់ Promptfoo · Discovering Forbidden Topics in Language Models។ តួលេខស្តង់ដារវាស់ស្ទង់ត្រូវបានរាយការណ៍ដោយ DeepSeek-AI សម្រាប់ការចេញផ្សាយកំណែយោង ការផ្ទៀងផ្ទាត់ដោយភាគីទីបីឯករាជ្យលើការសាងសង់ដែលបានបង្រួមទិន្នន័យកំពុងរង់ចាំ។ តម្លៃជាតម្លៃរាយរបស់ Shannon AI គិតត្រឹមថ្ងៃទី 5 ខែកញ្ញា ឆ្នាំ 2026។