API ya DeepSeek Flash a Bê Sansûr

Piraniya tîman ên ku API yeke LLM dinirxînin guhêrbara xelet optîmîze dikin. Ew li ser bîst promptên herî dijwar ên ku tên bîra wan benchmark dikin, serketî hildibijêrin, û şeş hefte şûnda kifş dikin ku nod û pênc ji sedî ya trafîka wan karekî kurt, strukturkirî û dubarekar e ku modeleke bi çaryeka bihayê wê bi awayekî wekhev bi rê ve dibir. DeepSeek-V4-Flash ji bo wan nod û pênc ji sedî heye. Ev rûpel li ser zanîna wê ye ka tu kengî di nav wê de yî — û kengî ne.

01Tu bi rastî çi werdigirî

Taybetmendî	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Nasnameya modelê	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Context / derketina herî zêde	262,144 token / 16,384 token
Biha ji bo her 1M (têketin / derketin)	$0.50 / $2.00
Streaming · bangkirina amûran · ramîn	Erê — her sê zarava
Derketina strukturkirî	json_schema û response_format
Têketina wêneyan (dîtin)	Na — tenê nivîs
Tebeqeya redkirinê / fîltreya derketinê	Tune
Tê xizmet kirin li ser	koma GPU ya Shannon bi xwe

Sê zaravayên API digihîjin heman giraniyan: /v1/chat/completions (bi şeklê OpenAI), /v1/messages (bi şeklê Anthropic), û /v1/responses. Streaming li ser her sêyan dixebite. Referansa parametreyan a tam di belgekirina API de ye.

02Ew ji ku tê: rêza DeepSeek

DeepSeek-AI pênc nifşên modelan li ser yek eleqeyê xerc kirine: derxistina tevgereke li sînor ji modeleke ku xizmetkirina wê erzan e, ne tenê perwerdekirina wê. Hema hema her biryareke mîmarî ya di vê xetê de vedigere wê yekê, û yên girîng hatine weşandin. Sê ji wan şirove dikin ku tu gava li vî endpointî dixî bang li çi dikî.

DeepSeekMoE — pisporên hûrgilî plus yekî hevpar

Tebeqeyeke Mixture-of-Experts yek tora pêşve-şandinê ya mezin bi gelekên biçûktir û routerekî ku çend ji wan ji bo her tokenekê hildibijêre diguherîne. Guhertoya DeepSeek pisporan hûrtir ji avahiya asayî ya heşt-pisporî parçe dike, loma heman FLOPên aktîvkirî tevlihevkirineke ji aliyê kombînasyonê ve pir taybettir dikirin, û ew pisporekî hevpar veqetîne ku her token pê re derbas dibe, loma zanîna hevpar di hundirê her pisporekî de ji nû ve nayê fêrbûn. DeepSeek-V3 wê wek 256 pisporên rêkirî plus 1 pisporê hevpar, bi aktîvkirina 8 pisporên rêkirî ji bo her tokenekê şand — 671B parametreyên giştî, 37B aktîv — ligel hevsengkirina barê ya bêyî windahiya alîkar: li şûna termeke cezayê ku kalîteyê xerab dike, alîgiriyeke her-pisporî nirxên rêkirinê di her gavekê de bilind an nizm dike li gorî ku ew pispor kêm-bar an zêde-bar dixebite.

MLA — bala ku di bîrê de cih digire

Nîvê din ê pirsgirêka lêçûna xizmetkirinê cachea KV ye, ku bi contextê re bi awayekî xêzî mezin dibe û li dirêjahiyên rêzê yên dirêj bîrê serdest dike. Multi-head Latent Attention, ku di DeepSeek-V2 de hat danasîn, bişkoj û nirxan bi hev re di vektoreke latent a kêm-rêzî de dipêçe û wê cache dike, û K/V yên bikêrhatî di rê de ji nû ve ava dike. Jimarên V2 yên weşandî yên DeepSeek, li hember DeepSeek 67B ya wan a berê ya dagirtî, kêmkirineke 93.3% di cachea KV de û bandewahiyeke çêkirinê ya herî zêde ya 5.76× bilindtir ragihînin. Ji ber vê yekê pencereyeke 262K-tokenî di vê malbatê de tiştekî bingehîn e ne pêveke premium.

Bala seyrek — û mînaka tokenên erzan

V3.2-Exp DeepSeek Sparse Attention zêde kir: indexerekî sivik tokenên contextê li hember pirsê dinirxîne, û hilbijêrek tenê yên bi nirxa herî bilind digire. Beşa balkêş fatûre ye, ne mekanîzma. DeepSeek berawirdkirineke tenişt-bi-tenişt li hember V3.1-Terminus weşand ku tê de MMLU-Pro li 85.0 wekhev, AIME 2025 bilind (88.4 → 89.3), SWE-bench Verified hinekî nizm (68.4 → 67.8) — bi bingehî kalîteyeke sabît — û wan heman rojê bihayên API yên xwe ji 50% zêdetir birrîn. Mîmarî, bi dilsozî hatiye ragihandin, rasterast dibe biha. Flash ew arguman e ku gavekê wêdetir hatiye birin.

Nifşê V4

V4, ku di Nîsana 2026 de di bin lîsanseke MIT de hat pêşdîtin, stûna balê dîsa bi hîbrîdeke Compressed Sparse Attention û Heavily Compressed Attention diguherîne, bi optîmîzerê Muon li ser zêdetirî 32T tokenan perwerde dibe, û armanca pêşbîniya pir-tokenî ya V3 diparêze — ku ew herwiha wek speculative decoding kar dike, û ku DeepSeek wê di V3 de li rêjeyeke qebûlkirina tokenê duyem a 85–90% ji bo bi qasî lezkirineke dekodkirinê ya 1.8× pîva. Kurteya V4 ragihîne ku V4-Pro bi 27% ya FLOPên inferansê yên yek-tokenî û 10% ya cachea KV ya V3.2 dixebite. Malbat sê astên hewldana ramanê eşkere dike, ku parametreya me ya reasoning_effort li ser wê tê nexşandin.

Çavkanî: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Rapora Teknîkî ya DeepSeek-V3 (arXiv 2412.19437) · Karta modelê ya DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Hemû jimar ji aliyê DeepSeek ve hatine ragihandin.

03«Flash» bi rastî çi tê wateyê

Ev xala ku piraniya berawirdkirinan şaş dikin e, loma hêjayî gotina eşkere ye: Flash ya DeepSeek ne Proyeke quantizekirî, birrandî an distîlekirî ye. Ew modeleke Mixture-of-Experts a biçûktir e ku bi cudayî hatiye perwerdekirin bi meşandineke pêş-perwerdehiyê ya xwe. Gotara pêşdîtinê ya V4 her du mezinahiyan dide:

Jimar ji gotara pêşdîtinê ya DeepSeek-V4. Checkpointên fermî yên ku em xizmet dikin — V4-Flash-0731 û V4-Pro-0813 — li ser kartên modelên xwe giştiyên hinekî mezintir ên 304B û 1.7T rêz dikin; DeepSeek ji bo wan avakirinan parametreyên aktîvkirî ji nû ve nabêje.

Du jimar li vir karî dikin. Parametreyên giştî şopa bîrê destnîşan dikin, ku biryar dide ka kopiyeke modelê çiqas hardware digire. Parametreyên aktîvkirî aritmetîka her tokenekê destnîşan dikin, ku biryar dide ka bandewahî çi ye. Flash li ser ya yekem bi qasî 5.6× biçûktir e û li ser ya duyem 3.8× biçûktir e — û di wê valahiyê de hûrgilekî hêjayî dîtinê heye: Flash 13 ji 284 mîlyar parametreyan aktîv dike, bi qasî 4.6%, dema ku Pro 49 ji 1,600 mîlyaran aktîv dike, bi qasî 3.1%. Flash modela kêmtir seyrek e. Ew ne bi sadeyî Proyek e ku bi pisporên kêmtir vekirî ye; ew sêwiraneke dagirtîtir û bi awayekî cuda hevseng e ku beşeke mezintir ji xwe li ser her tokenekê ku çêdike xerc dike. Ev bijartineke endezyariyê ya rastîn e, ne kêmkirinek.

Jimarên DeepSeek bi xwe çi dibêjin

Her du kartên modelan ên fermî nirxan li ser heman benchmarkên ajanî û endezyariya nermalavê diweşînin, ku ev berawirdkirinekê bi awayekî ne asayî paqij dike — heman laboratûwar, heman hesinê nirxandinê, du mezinahî:

Benchmark (ji aliyê DeepSeek ve hatiye ragihandin)	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 her rêzekê dibe. Ev sernavê dilsoz e, û em tercîh dikin ku tu wê li vir bixwînî ne ku wê di hilberînê de kifş bikî. Lê marjînan bixwîne, ji ber ku ew tişt e ku tu bi rastî dikirî. Li ser Terminal Bench 2.1 valahî 5.2 xal e li ser modeleke ku bîst û pêncan yekê parametreyan heye; li ser bikaranîna amûran ew 3.8 xal e. Valahî li cihê ku kar herî kûr dibe fireh dibe — 8.3 xal li ser DeepSWE, 7.3 li ser NL2Repo, ku her du ramîna kodê ya pir-gavî ya domdar xelat dikin. Ev şeklê bazarê di yek tabloyekê de ye: Flash li ser karên sînordar piraniya dûrahiyê digire û li ser yên vekirî erdê berdide.

Karta Flash ya DeepSeek bi xwe xalê hîn tûjtir dike: Flash-0731 li ser benchmarkên rêzkirî ji pêşdîtina V4-Pro çêtir dibe tevî hejmara wê ya parametreyên aktîvkirî ya pir biçûktir. Modeleke biçûk a nûtir ku modeleke mezin a kevintir dibe rewşa asayî ya vê qadê ye, û ew sedem e ku divê «asta mezintir» tu carî bersiva te ya standard nebe.

04Xwendina paşgirê: W4A16-AUTOROUND-REAP

Nasnameyên modelên me şemaya pêçandina xwe bi dengê bilind dibêjin, ji ber ku ew tişt e ku herî zêde bandorê li kalîteya derketinê dike û hema hema kes wê eşkere nake. Ev yek li sê îdiayan parçe dibe.

W4A16 — giraniyên 4-bit, aktîvasyonên 16-bit

Giranî bi 4 bitan ji bo her yekê tên hilanîn; aktîvasyon bi rasttiya 16-bit diherikin. Ev quantizasyona tenê-giraniyan e, û ew hedefa xwe astenga rastîn a di çêkirina tokenan de digire, ku ew firehiya benda bîrê ye ne aritmetîk. Quantizekirina aktîvasyonan jî dê hinekî lez zêdetir bikira û rîska zinareke rasttiyê ya pir mezintir bianiya; hiştina wan li 16 bitan bijartina muhafezekar û bi wefadariya bilind e. Nîşandanî kurtenivîsa ekosîstema xizmetkirinê ye — wêjeya quantizasyonê heman tiştî wek W4 bi mezinahiyeke komê dinivîse.

AUTOROUND — gilorkirina fêrbûyî, ne gilorkirina ber bi ya nêzîk

Quantizasyona sade her giraniyekê ber bi nirxa nûnerî ya herî nêzîk ve gilor dike. Ev bi awayekî xuya ne optîmal e: gilorkirina giraniyekê bi riya «xelet» dikare çewtiya ku cîranên wê danîne betal bike, û bi mîlyaran giraniyan ew têkiliyan serdest in. AutoRound, ji Intelê, biryara gilorkirinê bi xwe wek tiştekî ku divê were fêrbûn dihesibîne — tevlihevkirineke her-giraniyî ya perwerdebar ku li ±0.5 sînordar e, tam têra vegerandina her biryareke gilorkirinê ya yekane û ne zêdetir, plus rêzikên birrînê yên fêrbar, ku bi daketina gradyana bi îmze li hember armanceke ji nû ve avakirina derketinê ya blok-bi-blok li ser komeke kalîbrasyonê ya biçûk tê optîmîze kirin. Du sed gav, paşê temam.

Berawirdkirinên weşandî yên Intelê AutoRound wek ku di 30 ji 32 senaryoyên testkirî de ji GPTQ, di 27 ji 32 de ji AWQ û di 29 ji 32 de ji OmniQuant çêtir e nîşan didin, li mîhengên tenê-giraniyên 4-bit, bi qezencên 6.9 heta 33.2 xalên rasttiyê li ser gilorkirina sade ya ber bi ya nêzîk li 2 bitan. Tu tiştek ji wê di dema inferansê de lêçûnek nîne: ew bijartineke hejmaran a çêtir e, ku carekê, ne li ser xetê, tê kirin.

REAP — avêtina pisporên ku kes bo wan narê

REAP (Router-weighted Expert Activation Pruning), ji Cerebras Systems û Zanîngeha Calgary, pêçandineke yek-gavî ye ji bo modelên MoE. Ew her pisporekî li gorî ku router çiqas bi hêz û çend caran bo wî dergeh dike dinirxîne, ku bi mezinahiya derketina wî pisporî tê zêdekirin, paşê pisporên herî kêm berbiçav rasterast jê dibe — piştî wê tu ji nû ve perwerdekirin tune.

Dîtina navendî ya gotarê ya bikêrhatî ev e: li rêjeyên pêçandinê yên bilind, birrîna pisporan ji tevlihevkirina wan çêtir e. Tevlihevkirina pisporên ji aliyê fonksiyonê ve cuda dibe sedema wê ya ku nivîskar jê re dibêjin hilweşîna binfezaya fonksiyonel — router wê kontrola hûrgilî û bi têketinê ve girêdayî winda dike ku MoE hêjayî avakirinê kir, û tê hiştin ku di navbera navînên statîk de birêve bibe. Jimarên wan li seranserê modelên ji 20B heta 1T parametreyan: li 25% pêçandina pisporan li ser karên kodkirinê, REAP 2.8% rasttiya navînî winda dike li cihê ku bingehînên tevlihevkirinê ji 5% zêdetir winda dikin; li 50%, REAP 8.0% winda dike li cihê ku tevlihevkirin ji 20% zêdetir winda dike. Li ser Qwen3-Coder-480B li 50% birrînê daketin 1.4% e, li hember 39.3% ji bo birrîna sade ya li ser bingehê frekansê. Cerebras di nav yên din de checkpointên REAP ji bo xeta DeepSeek weşandine.

Çima 4-bit li vir û 3-bit li ser Pro

Divê her du ast li ser heman polê hardware cih bigirin û bilez bimînin. Pro 1.7 trîlyon parametreyan hildigire, loma ew muameleya 3-bit a tundtir hewce dike da ku bi giştî cih bigire. Flash bi qasî 300 mîlyaran hildigire, loma ew hewce nake — û ew bitê ku tê xilas kirin li şûna cihgirtinê li ser wefadariyê tê xerckirin.

Ew bitê zêde ji ya ku aritmetîka wê îma dike bêtir girîng e, ji ber ku zirara quantizasyonê ne xêzî ye. Di pîvandinên WikiText-2 yên gotara AWQ de, Llama-2-7B ji perplexity ya 5.47 li FP16 diçe 5.60 li 4-bit — cezayeke 2.4% — lê bo 6.24 li 3-bit, cezayeke 14%. Ev bi qasî şeş caran xerabûn ji bo 25% pêçandineke zêdetir e, û heman şablon li 70B jî xwe digire. Gotara GPTQ hîn eşkeretir e: li 3 bitan, gilorkirina sade ya ber bi ya nêzîk li ser modelên polê 175B hildiweşe, bo hezaran perplexity, dema ku li 4 bitan bi tevahî bikêrhatî dimîne. Li jêrî çar bitan, algorîtmayeke quantizasyonê ya baş êdî ne xweşikahiyek e û dibe tiştê tenê ku modelê bi hev ve digire.

Loma xwendina dilsoz a van du paşgiran ev e: Flash ji xwe ya nepêçandî nêzîktir e ji ya ku Pro ji xwe ya nepêçandî ye. Pro hîn jî modela bihêztir e — tabloya benchmarkê ya jorîn wê çareser dike. Ew bi sadeyî ji bo hatina vir zêdetir da, û tu ji bo wê îmtiyazê pere didî.

Çavkanî: 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. Jimarên perplexity ji AWQ (arXiv 2306.00978) û GPTQ (arXiv 2210.17323).

05Flash li hember Pro li ser endpointî

Beşa 03 bingehan girt. Li vir e ku her du ast wek berhemên li ser dergehê me çawa xuya dikin:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Quantizasyon	W4A16-AUTOROUND-REAP	3BIT-REAP
Rasttiya giraniyan	4-bit, gilorkirina fêrbûyî	3-bit
Bingeh (giştî / aktîv)	~304B / 13B	~1.7T / 49B
Têketin ji bo her 1M tokenan	$0.50	$1.95
Derketin ji bo her 1M tokenan	$2.00	$3.90
Context / derketina herî zêde	262,144 / 16,384	262,144 / 16,384
Amûr · derketina strukturkirî · streaming	Erê	Erê
Dîtin	Na	Na
Tebeqeya redkirinê	Tune	Tune

Bala xwe bide wê ku çi naguhere: context, tavana derketinê, bangkirina amûran, derketina strukturkirî, û nebûna tebeqeyeke redkirinê wekhev in. Tenê tiştên ku diguherin bingeh, quantizasyon û biha ne. Ev guhertina di navbera wan de dike guhertineke yek-rêzî di koda te de û biryareke bi tevahî aborî di mîmariya te de.

Bangekî bi mezinahiya herî zêde çiqas dike

Tevahiya contexta 262,144-tokenî tijî bike û derketina tam a 16,384-tokenî bigire:

Li bihayê lîsteyê. Flash: $0.131 têketin + $0.033 derketin. Pro: $0.511 + $0.064. Rêje 3.51×. Flash herwiha erdê $0.50 / $2.00 bi MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro û Hy3 re parve dike — ji bo wê ku ew li ser dîtin û derketina strukturkirî çawa cuda ne li kataloga tam binêre.

06Matematîka hejmara mezin, hesabkirî

«3.9× erzantir» tenê li ser têketinê rast e. Li ser derketinê Flash 1.95× erzantir e. Loma xilaskirina te ya rastîn bi rêjeya têketin-bo-derketinê ve girêdayî ye, û belavbûn têra xwe fireh e ku biryarên sêwiranê biguherîne. Çar karên realîst, her yek li 100,000 daxwazan:

Kar	Têketin / derketin ji bo her bangekê	Flash	Pro	Xilaskirin
Klasîfîkasyona bilêtan	1,200 / 120	$84	$281	3.3×
Bersivdayîna pirsan a RAGê	8,000 / 600	$520	$1,794	3.4×
Kurteya belgeyeke dirêj	60,000 / 1,500	$3,300	$12,285	3.7×
Çêkirina daneyên sentetîk	500 / 2,000	$425	$878	2.1×

Şablon: tu çiqas zêdetir context bişînî û çiqas kêmtir nivîs çêbikî, Flash ewqas zêdetir ji te re xilas dike. Lûleyên wergirtinê, senifandina belgeyan, analîza logan û transkrîptan, û derxistina bi contexta dirêj cihên herî xweş in — ew bi rêjeyeke deh-carî ji aliyê têketinê ve serdest in, û têketin cihê ku dakêşana 3.9× lê dijî ye. Heke li şûna wê karê te promptekî kurt be ku bi hezaran tokenên nivîsê çêdike, valahî bo bi qasî 2× teng dibe û argumana kapasîteyê ji bo Pro li gorî wê bihêztir dibe.

Parçeyekî din ê aritmetîkê hêjayî hundirînkirinê: li $0.50 ji bo her mîlyon tokenên têketinê, tevahiya pencereya 262,144-tokenî 13.1 sentan dike ku were tijîkirin. Prompta bi contexta dirêj li wî bihayî êdî ne pirseke budceyê ye, ku ev carinan tê wateya ku tu dikarî bi tevahî avakirina tebeqeyeke wergirtinê derbas bikî û bihêlî ku pencereya contextê karî bike — xilaskirineke endezyariyê li ser xilaskirina tokenan.

07«Bê sansûr» li vir bi rastî çi tê wateyê

Peyv bi awayekî sist tê bikaranîn, loma li vir pênaseya me ye, ku wek taybetmendiyeke endpointî tê gotin: li ber modelê tu klasîfîkerê redkirinê tune û tu fîltrekirina naverokê li ser derketina wê nayê sepandin. Tu tişt promptekê nagire û redkirineke amade venagerîne; tu tişt temamkirinê venakole û wê sansûr nake. Ji bo karê hilberînê yê bi hejmara mezin encam ji ya ku peyv îma dike kêmtir dramatîk û bikêrhatîtir in:

• Li ser trafîka bêziyan tu pozîtîfên xelet tune. Endpointên fîltrekirî bi awayekî rêkûpêk kurteyên bijîşkî, nivîsên ewlehiyê, kifşkirina hiqûqî, çîrok, materyalê kêmkirina zirarê û karê moderasyonê bi xwe red dikin — tam ew kategoriyên ku tê de karekî komî nivîsa li ser mijareke hesas pêvajo dike ne ku tiştekî zirardar çêdike. Li sed hezar daxwazan, rêjeyeke redkirina xelet a yek ji sedî hezar rêzên şikestî ne.
• Peymanên determînîstîk. Bersiveke json_schema bixwaze û tu JSONa ku bi şemayê re li hev tê werdigirî, ne paragrafeke lêborînê li cihê ku divê objeyek be. Parserê te tu şaxekî redkirinê hewce nake, û mantiqa te ya dubarekirinê nabe ku têkçûneke veguhastinê ji ya polîtîkayê veqetîne.
• Polîtîka ya te ye. Ev bazar e. Heke berhema te ji bo bikarhênerên xwe yên dawî pêwîstî bi çeperan hebe, tu wan di tebeqeya xwe de ava dikî, li cihê ku tu bikarhênerên xwe û qada dadî ya xwe nas dikî, li şûna ku texmînên pêşkêşkerekî li ser her duyan mîras bigirî. Hesabê te di bin Polîtîkaya Bikaranîna Berpirsiyar a me de dimîne.

Bê sansûr ne wekhevî ne-hevrêzkirî an bêalîkar e. Model hîn jî rênimayan dişopîne û hîn jî rêzê li promptekê pergalê digire. Heke tu dixwazî ku ew hin kategoriyan ji bo bikarhênerên te red bike, wê li wir bibêje — ew rênimaye niha ya te ye ku were nivîsandin ne ya me ye ku were ferzkirin.

08Kapasîte û sînorên dilsoz

Du kapasîte piraniya giraniyê ji bo karê hejmara mezin hildigirin. Derketina hişk a json_schema temamkirinekê dike rêzeke danegehê bêyî tebeqeyeke parsekirinê û bêyî şaxekî redkirinê. Bangkirina amûran di her sê zaravayan de Flash dike motorekî aqilane ji bo gavên bin-erzan ên ajanekî ku plansazê wî yê asta jorîn li ser modeleke bihêztir dixebite. reasoning_effort lê zêde bike, ku dihêle tu tokenên zêde tenê li ser wê beşa trafîkê ya ku wan hewce dike xerc bikî, û contexteke 262,144-tokenî ya bi ya Pro re wekhev — tu bi hilbijartina asta erzan contextê radest nakî, ku ev ne asayî ye.

Sînor bi heman awayî berbiçav in:

• Tu dîtin. Flash tenê nivîs e û dê beşên wêneyan di peyamekê de red bike. Ji bo wêneyan li ser modeleke bê sansûr li heman erdê $0.50 / $2.00, MiniMax-M3 û MiMo-V2.5 vebijarkên bi kapasîteya dîtinê ne; Kimi-K2.6 û Kimi-K3 modelên dîtinê yên bihêztir in li jorî wê astê.
• Ne serê nêrdewanê. Jimarên DeepSeek bi xwe Pro li ser her benchmarkeke ajanî ya weşandî pêş dixin, bi valahiya herî fireh li ser ramîna kodê ya pir-gavî ya domdar. Li cihê ku bersiveke xelet ji hezar bersivên erzan bêtir lêçûnek e, wan $1.45 yên zêde ji bo her mîlyonê li ser DeepSeek-V4-Pro xerc bike.
• 16,384 tokenên derketinê ji bo her daxwazekê. Divê çêkirinên dirêj li ser bangan bên parçekirin. Ev heman tavan e li ser her modeleke ku em xizmet dikin, û ew berî pencereya contextê bi baş digire.

09Bangkirina wê

Her clientekî bi OpenAI re lihevhatî li dergehê nîşan bike û rêza modelê biguherîne. Divê tiştekî din ê di stûna te de neleve.

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
        }
      }
    }
  }'

Heman nasnameya modelê bêguhertin li ser /v1/messages û /v1/responses dixebite, ku ev riya herî bilez e ji bo A/B kirina modeleke erzantir di bin entegrasyoneke heyî de bêyî ji nû ve nivîsandina clientê te. Parametre, şeklên bûyerên streamingê, şemayên bangkirina amûran û sînorên rêjeyê di referansa API de hatine belgekirin; her modeleke di katalogê de li Lêkolîna Shannon hatiye rêzkirin.

10Pirsên ku pir tên kirin

---

Çavkanî: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Rapora Teknîkî ya DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · Kartên modelan ên DeepSeek-V4-Flash-0731 û DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Hemû jimarên bingehê û benchmarkê wek ku ji aliyê nivîskarên wan ên têkildar ve hatine weşandin in; bihayên Shannon AI û contexta xizmetkirî nirxên lîsteya me bi xwe ne heta Îlona 2026.