API ya DeepSeek a Bê Sansûr

Ew kesên ku digihîjin hevoka «API ya DeepSeek a bê sansûr» tiştekî diyar dixwazin: modeleke bi kapasîteya ramîn û kodkirinê ya DeepSeek ku bersiva wê pirsê dide ku wan bi rastî kiriye. Nîvê kapasîteyê baş hatiye belgekirin — DeepSeek-AI mîmarî û jimar weşandine, û giranî li ser Hugging Face di bin MIT de ne. Nîvê duyem biryareke xebitandinê ye, û bi gelemperî ji bo te tê dayîn. Ev rûpel her duyan vedigire: bingeha V4-Pro çi ye, avakirina me ya 3BIT-REAP çi bi wê dike, û gava em «bê sansûr» dibêjin ew tam çi tê wateyê.

01«API ya DeepSeek a bê sansûr» bi rastî çi tê wateyê

Du mekanîzmayên cuda di bin heman peyvê de tên rêzkirin. Ya yekem alîgirtina ku di giraniyan de hatiye pijandin e — tevgera redkirinê ya di piştî-perwerdehiyê de hatiye fêrbûn. Ya duyem tebeqeyeke moderasyonê ya aliyê xizmetkirinê ye: klasîfîkerekî cuda ku prompta te berî ku model wê bibîne kontrol dike û derketinê berî ku tu wê bibînî, û dikare bersivekê di nîvê hevokê de bibirre bêyî ku girîng be model çi xwestibû bibêje.

Her du jî tên pîvandin, û xizmeta yekem-alî ya DeepSeek hatiye pîvandin. Promptfoo komeke 1,360-promptî ya pirsên siyasî yên hesas kom kir û ragihand ku R1 ya ku ji aliyê DeepSeek ve tê hosting kirin 1,156 ji wan red kirin an dane aliyekî — bi qasî 85%. Xebateke akademîk li ser heman malbatê awayekî têkçûnê yê cuda dît ku nivîskaran jê re got tepisandina ramanê, ku tê de şopa ramîna modelê hema hema di kêliya destpêkirinê de li ser mijareke hesas diqede. Odîtekî cuda ku di Information Sciences de hatiye weşandin tepisandina di asta semantîk de belge kir: naveroka ku di ramîna hundirîn a modelê de heye ku bi bêdengî tê avêtin an ji nû ve tê nivîsandin berî ku bigihîje bikarhênerî. Ev pirsgirêkeke ji redkirineke eşkere dijwartir e, ji ber ku bersiveke birrandî wek bersivekê xuya dibe.

Tiştê ku em dimeşînin berdana bi giraniyên vekirî ye, li ser hardware ya ku em dimeşînin, li Dewletên Yekbûyî, di bin Shannon Lab LLC de. Li ber modelê tu tebeqeya redkirinê tune û li ser tiştê ku vedigere tu fîltre nayê sepandin: prompta te berî xizmetkirinê ji bo polîtîkayê nayê klasîfîkirin, û streama derketinê di rê de nayê kontrolkirin. Ji ber ku bingeh bi lîsansa MIT û giştî ye, tu dikarî derketinên me bi xwe li hember giraniyên referansê berawird bikî li şûna ku bi gotina me bawer bikî.

02Bingeh: DeepSeek-V4-Pro, MoEyeke 1.6T

DeepSeek-V4 malbata heyî ya DeepSeek-AI bi giraniyên vekirî ye, ku di Nîsana 2026 de hat pêşdîtin û di bin MIT de bi du mezinahiyan hat berdan: V4-Flash (284B giştî, 13B aktîv) û V4-Pro (1.6T giştî, 49B aktîv). Ev gotar li ser asta Pro ye. Her du li ser bi qasî 33 trîlyon tokenan pêş-perwerdekirî ne û her du bi awayekî niştecih piştgiriya contexta yek-mîlyon-tokenî dikin.

Rêjeya seyrekiyê ew tişt e ku divê bala te bikişîne: tenê bi qasî 3% ji parametreyan li ser her tokenekê dişewitin, ku ev e ya ku modeleke bi vê mezinahiyê bi giştî xizmetkirî dike. Bloka MoE bi xwe hîn jî DeepSeekMoE ye — pisporên rêkirî yên hûrgilî plus pisporên hevpar ên her tim vekirî ku di V2 de hatin danasîn — bi tenê guhertinên biçûk ên V4, ku ya herî xuya rêkirina hashê di tebeqeyên herî zû de ye. Multi-Token Prediction, armanca alîkar a V3 ku herwiha speculative decodingê pêkan dike, neguherî hatiye parastin.

Beşên nû yên di V4 de avahîyî ne. Manifold-Constrained Hyper-Connections (mHC) riya residual a sade bi matrîseke tevlihevkirinê ya fêrbûyî diguherînin ku bi rêya projeksiyoneke Sinkhorn–Knopp li ser manifoldê matrîsên du-caran stokastîk hatiye sînordar kirin — streameke residual ku li gorî her têketinê ji nû ve giranî dide bêyî wê şemitîna hejmarî ku stûnên pir kûr dikuje. Perwerdehî ji AdamW derket û ji bo piraniya modulan çû ser Muon, bi bikaranîna ortogonalîzasyona Newton–Schulz, û AdamW tenê ji bo embeddingan, serên pêşbîniyê, normalîzasyonê û parametreyên statîk ên mHC hat parastin. Û giraniyên pisporan di FP4 de tên perwerdekirin dema ku piraniya parametreyên din di FP8 de ne — ji destpêkê ve ji quantizasyonê haydar, ku ev ji bo wê girîng e ka model pêçandineke din çiqas bi nermî hildigire.

03Ji MLA bo CSA + HCA: DeepSeek çawa contexta dirêj erzan digire

Xeta berdewam a DeepSeek di çar nifşan re ne mezinahî ye, ew aborîya balê ye. Her guhertoyekê êrîşî cachea KV kiriye, ku bi contextê re bi awayekî xêzî mezin dibe û li dirêjahiyên dirêj bîrê serdest dike.

• V2 Multi-head Latent Attention (MLA) da nasîn — pêçandineke hevbeş a kêm-rêzî ya bişkoj û nirxan di vektoreke latent de, loma çêkirin wê vektorê plus bişkojeke RoPE ya veqetandî cache dike li şûna K û V yên tam ên her serî. DeepSeek ragihand ku cachea KV bi qasî 4–14% ya balê ya pir-serî ya standard daketiye, bi kalîteya parastî an baştirkirî.
• V3 wê bo 671B pîva, û MLA kir texmîna standard ji bo contexta dirêj a erzan di modelên vekirî de.
• V3.2 DeepSeek Sparse Attention (DSA) zêde kir, ku ji bo her pirsekê bi rêya indexerekî sivik binkomeke top-k ya dîrokê hildibijêre li şûna ku bala xwe bide her tiştî.
• V4 hîbrîd dike. Compressed Sparse Attention (CSA) pêşî têketinên KV yên her m tokenan bi giraniyên fêrbûyî di yek têketinê de dipêçe, paşê li ser wan têketinên pêçandî hilbijartina seyrek a top-k dimeşîne. Heavily Compressed Attention (HCA) pir bi awayekî tundtir dipêçe lê li ser encamê dijwar dimîne. Her du cureyên tebeqeyan di stûnê re li hev tên hûnandin, loma kurteya giştî ya erzan û wergirtina herêmî ya tam bi hev re dijîn.

Qezenca ragihandî li contexta yek-mîlyon-tokenî berbiçav e: V4-Pro bi qasî 27% ya FLOPên inferansê yên her-tokenî û 10% ya cachea KV ya V3.2 hewce dike. Ji ber vê yekê daxwazeke 262K wek daxwazeke asayî tevdigere ne wek bûyereke bîrê, û ji ber vê yekê jimarên wergirtinê yên contexta dirêj xwe digirin li şûna ku piştî çend deh hezar tokenan hilweşin.

04Paşgira 3BIT-REAP çi tê wateyê

Nasnameya me ya katalogê bi 3BIT-REAP diqede, û ew du gavên pêçandinê yên serbixwe şirove dike ku bi rêz hatine sepandin.

REAP: birrîna pisporan, ne tevlihevkirina wan

REAP tê wateya Router-weighted Expert Activation Pruning, ji Cerebras Research — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», ku ji bo ICLR 2026 hatiye qebûlkirin. Di MoEyeke seyrek de router pisporên xwe bi awayekî wekhev bikar nayîne: dûvikeke dirêj kêm, qels, an her du jî tê hilbijartin. REAP her pisporekî bi tevlihevkirina nirxên dergehê routerê (çend caran û çiqas bi hêz tê hilbijartin) bi normên aktîvasyona pisporî (derketina wî çiqas beşdar dibe) dinirxîne, paşê yên windaker rasterast jê dibe.

Argumana gotarê ev e ku birrîn ji tevlihevkirinê çêtir e: tevlihevkirin wê pisporbûna fonksiyonel ku MoE kir hêjayî avakirinê bi navînkirinê ji holê radike, dema ku jêbirina wan pisporan ku router bi zorê digihîje wan wê diparêze. Li seranserê modelên ji 20B heta 1T, REAP li ser benchmarkên çêkirinê ji tevlihevkirinê û ji rêbazên birrînê yên hevrik çêtir bû, û nivîskar encamên hema hema bêwindahî li ser çêkirina kodê û bangkirina amûran li 50% birrîna pisporan li ser Qwen3-Coder-480B û Kimi-K2 ragihînin — ku ev tam ew profîla karî ye ku ev model jê re li vir e.

Giraniyên 3-bit: asta pêçandinê ji bo bingehên herî mezin

Tiştê ku dimîne paşê bo giraniyên 3-bit tê quantize kirin. Sê bit tund e, û em wek din nîşan nadin: li seranserê rêzê em W8A16 bikar tînin li cihê ku bingeh têra xwe biçûk e ku pêçandinê hewce neke, W4A16-AUTOROUND-REAP li navê, û 3BIT-REAP tenê li ser bingehên herî mezin, ku ew cudahiya di navbera xizmetkirina modelê û nexizmetkirina wê de ye.

Bazar hêjayî gotina eşkere ye: MoEyeke 3-bit a 1.6T ne bit-bi-bit wek berdana referansê ye, û lêçûneke kalîteyê ya biçûk rastîn e. Tiştê ku tu jê werdigirî bingehek e ku tavana wê ya nepêçandî pir li jorî her tiştê ku bi rehetî li rastiyeke bilindtir cih digire dimîne — û ji ber ku pisporên V4 ji destpêkê ve di FP4 de hatin perwerdekirin, model di bin pêçandineke giraniyê ya din de bi awayekî ne asayî xweş tevdigere. Heke tu avakirineke DeepSeek bi destekî nermtir li ser rastiyê bixwazî, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP giraniyên 4-bit bi aktîvasyonên 16-bit û gilorkirina fêrbûyî ya AutoRound bikar tîne, li ser heman contexta 262K bi $0.50 têketin / $2.00 derketin.

05Ramîn, û derenceya reasoning_effort

Piştî-perwerdehiya V4 pisporên qadan bi awayekî cuda perwerde dike — matematîk, kodkirin, ajan, şopandina rênimayan — bi SFT û paşê GRPO, rêbaza Group Relative Policy Optimization ku DeepSeek bi R1 re da nasîn. Ew pispor paşê bi distîlasyona on-policy di bin armanceke KL-ya berevajî de di modelekê de tên yekkirin, loma checkpointekî yekane tevgera asta-pispor di çend qadan de bi carekê hildigire li şûna ku giştîgerek be ku di hemûyan de navîn e.

Modela berdayî awayên ramîna dereceyî eşkere dike ne guhêrbarekî dubendî. Li ser dergehê me ew parametreya standard a reasoning_effort ye, ya herî bikêrhatî ya vê modelê:

• Low — bersivdayîna hema hema rasterast: klasîfîkasyon, derxistin, jinûvenivîsandin, her tiştê ku tu ji bo zanîna modelê pere didî ne ji bo şêwirmendiya wê.
• Medium — awayê xebatê yê standard ji bo nirxandina kodê, debugkirin û analîza pir-gavî.
• High — şêwirmendiyeke dirêj berî bersivê. Li cihê ku pirsgirêkên dijwar tên çareserkirin, û li cihê ku fatûreya tokenên derketinê ya te dijî, ji ber ku tokenên ramanê wek derketin tên fatûre kirin.

Ji ber ku tu tebeqeya redkirinê tune, şopa ramanê li ser mijarên hesas nayê birrîn — nimûneya tepisandina ramanê ya ku li ser xizmeta yekem-alî hatiye belgekirin tu mekanîzmayek nîne ku li vir çêbibe.

06Kod û karê ajanî: bingeh çi jimaran digire

Ev jimarên weşandî yên DeepSeek-AI bi xwe ji bo berdana V4-Pro ne — ne yên me, û ne li ser avakirina me ya quantizekirî hatine pîvandin. Em wan nîşan didin ji ber ku ew sedema dilsoz e ji bo hilbijartina vê bingehê, û em wan wek yekem-alî nîşan didin da ku tu bikaribî giraniyê li gorî wê bidî.

Du jê hêjayî şiroveyê ne. SWE-bench Verified li 80.6% çareserkirina meseleyên repozîtoryên rastîn e — xwendina kodbaseke nenas, dîtina kêmasiyê, çêkirina yamayekê ku testên projeyê bi xwe derbas dike. MRCR li yek mîlyon tokenan (83.5) wergirtina hev-referansê ya pir-dorî ya bi dirêjahiya tam e, ew jimara ku ji te re dibêje îdiaya contexta dirêj ne xemilandin e. DeepSeek herwiha nirxeke Codeforces ya 3206 ji bo modelê ragihîne, û 62.0 li ser CorpusQA di contexta 1M de.

Jimarên jorîn ji aliyê DeepSeek-AI ve ji bo berdana referansê ya DeepSeek-V4-Pro hatine ragihandin. Avakirina me ya 3BIT-REAP guhertoyeke pêçandî ya wan giraniyan e û di van karan de bi awayekî serbixwe nehatiye benchmark kirin; nirxên referansê wek tavana bingehê bihesibîne, ne wek pîvandineke vî endpointî.

07Contexta 262K: bi rastî çi tê de cih digire

Modela referansê ji bo mîlyon tokenan hatiye perwerdekirin. Em 262,144 xizmet dikin — ew pencereya ku her modeleke li ser dergehê parve dike, loma guhertina modelan guhertineke yek-rêzî ye û tu carî paşveçûneke contextê nîne. Di pratîkê de 262K ji wê xalê wêdetir e ku context ji bo piraniya karê rastîn asteng dike:

Karê barî	Bi qasî token	Di 262K de cih digire?
Repoya xizmetê ya navîn (~50k rêz)	~600K	Na — modulan hilbijêre
Yek binpergal + testên wê	~60–120K	Erê, bi rehetî
Koma RFC ya tam ji bo protokolekê	~150K	Erê
Pirtûkeke teknîkî ya 700-rûpelî	~250K	Erê, nêzîkî sînor
Meşandineke ajanî ya dirêj, 40+ dorên amûran	~80–200K	Erê

Ew sînorê ku divê tu li gorî wî plan bikî derketin e: herî zêde 16,384 token di her bersivekê de. Ev belgeyeke dirêj an yamayeke pir-fîleyî ya berbiçav e, lê ne kodbaseyek. Karên çêkirinê yên mezin bi zincîrkirina daxwazan bi derketina berê ya ku dîsa di contextê de ye tên kirin — ku pencereya 262K wê erzan dike — ne bi xwestina yek temamkirineke pir mezin.

08Biha, û V4-Pro li ku di rêzê de rûdine

Bi $1.95 têketin / $3.90 derketin ji bo her mîlyon tokenan, V4-Pro asta ramanê ya sereke ye — ew model ku tu destê xwe dirêjî wê dikî gava pirsgirêk dijwar be. Gava ku ew tenê mezin be, modelên erzantir ên li ser heman pencereya 262K wê bi çaryeka bihayê bikin.

Modela bê sansûr	Têketin / 1M	Derketin / 1M	Dîtin	Ji bo vê baştirîn e
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Na	Ramîna dijwar, kod, ajan
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Na	Heman rêz, hejmara mezin
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Na	Hespê karî yê giştî
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Erê	Ajanên pir-medyayî yên asta jorîn
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Erê	Dîtina herî erzan

Em li ser wê berawirdkirinê rasterast bin ku mirov dê bi rastî bikin: API ya DeepSeek bi xwe ji vê erzantir e — V4-Pro ya yekem-alî bi qasî $0.435 têketin / $0.87 derketin rêz dike, û bihayê wan ê têketinê yê cache-hit hîn nizmtir e. Heke biha ji bo her tokenekê pîvana te ya tenê be û tevgera moderasyonê bandorê li karê te neke, API ya yekem-alî bikar bîne; em tercîh dikin ku vê ji te re bibêjin ne ku tu paşê pê hesî. Zêdehî komeke taybetmendiyên cuda dikire: tu tebeqeya redkirinê û tu fîltreya derketinê, operatorekî DYA di bin Shannon Lab LLC de, checkpointekî bi tarîx ê bi cih kirî (0813) loma nûkirineke bêdeng a jorîn tu carî derketinên te di nîvê projeyê de naguherîne, sê zaravayên API li hember yek modelê, û heman pencereya 262K û rûyê parametreyan li seranserê hemû diwazdeh modelên rêzê.

09Bangkirina wê: sê zarava, yek model

Her modeleke li ser dergehê li ser her sê endpointan bersivê dide, bi streamingê li ser her yekê. Tu SDKyeke nû nagirî — tu URLeke bingehîn û nasnameyeke modelê diguherînî.

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 — zaravayê OpenAI; bi SDKyên OpenAI û her tiştê li ser wan avakirî re dixebite.
• /v1/messages — zaravayê Anthropic, ji bo kodbaseyên ku jixwe li gorî wî şeklî hatine nivîsandin.
• /v1/responses — navrûya bi şeklê Responses.

Li ser vê modelê tên piştgirî kirin: streaming, bangkirina amûran a niştecih, derketina strukturkirî ya hişk a json_schema, response_format, û reasoning_effort. Referansa parametreyan a tam û playgroundeke zindî di belgekirina API de ne.

10Sînorên dilsoz

Çar tişt ku divê tu berî ku li ser wê ava bikî zanibî:

• Tu dîtin. Tenê nivîs; ew li ser tu endpointî têketina wêneyan qebûl nake. Heke tu modeleke bê sansûr a ku dibîne hewce dikî, Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 an inkling bikar bîne.
• Tavana derketinê ya 16,384-tokenî. Tokenên ramanê li hewldana bilind li hember wê tên jimartin, loma şêwirmendiyeke dirêj cihekî kêmtir ji bo bersivê dihêle. Ji bo karên çêkirinê yên mezin daxwazan zincîr bike.
• 3-bit pêçandineke rastîn e. Nirxên referansê bingehê şirove dikin, ne vê avakirinê. Ji bo asta herî bi wefa, modelên W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) herî kêm quantizasyonê hildigirin.
• Bê sansûr ne bê encam e. Tu tebeqeya redkirinê tê wateya ku berpirsiyariya wê ku tu çi dipirsî, û tu bi bersivê çi dikî, bi te re dimîne — di bin şertên me yên xizmetê û qanûna li cihê ku tu lê dixebitî de.

11Pirsên ku pir tên kirin

---

Çavkanî: DeepSeek-AI — karta modelê ya DeepSeek-V4-Pro · Rapora teknîkî ya DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Rapora teknîkî ya DeepSeek-V3 · REAP the Experts (Cerebras Research) · Odîta sansûrê ya Promptfoo · Discovering Forbidden Topics in Language Models. Jimarên benchmarkê ji aliyê DeepSeek-AI ve ji bo berdana referansê hatine ragihandin; verîfîkasyona serbixwe ya aliyê sêyem a avakirina pêçandî hîn li bendê ye. Biha bihayên lîsteyê yên Shannon AI heta 5ê Îlona 2026 ne.