Цензурасыз DeepSeek Flash API

LLM API'ди баалаган командалардын көбү туура эмес өзгөрмөнү оптималдаштырат. Алар ойлоно алган эң оор жыйырма промптто бенчмарк өткөрүп, жеңүүчүнү тандап, алты жумадан кийин трафигинин токсон беш пайызы төрттөн бир баа турган модель бирдей эле аткара турган кыска, структураланган, кайталанма жумуш экенин билишет. DeepSeek-V4-Flash так ошол токсон беш пайыз үчүн бар. Бул барак ошонун ичинде экениңизди — жана эмес экениңизди — билүү жөнүндө.

01Чындыгында эмне аласыз

Касиет	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Модель id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Контекст / эң чоң чыгуу	262 144 токен / 16 384 токен
1M'ге баасы (кирүү / чыгуу)	$0.50 / $2.00
Агымдуу берүү · курал чакыруу · ой жүгүртүү	Ооба — үч диалекттин баарында
Структураланган чыгуу	json_schema жана response_format
Сүрөт киргизүү (көрүү)	Жок — текст гана
Баш тартуу катмары / чыгуу чыпкасы	Жок
Кайда тейленет	Shannon'дун өз GPU кластери

Ошол эле салмактарга үч API диалекти жетет: /v1/chat/completions (OpenAI формасында), /v1/messages (Anthropic формасында) жана /v1/responses. Агымдуу берүү үчөөндө тең иштейт. Параметрлердин толук справкасы API документтеринде.

02Ал кайдан келген: DeepSeek теги

DeepSeek-AI беш модель мууну бою бир нерсеге берилген: алдыңкы жүрүм-турумду үйрөтүүгө гана эмес, тейлөөгө арзан моделден алуу. Бул тектеги дээрлик ар бир архитектуралык чечим ошондон башталат, ал эми маанилүүлөрү жарыяланган. Үчөө бул учка кайрылганда эмнени чакырып жатканыңызды түшүндүрөт.

DeepSeekMoE — майда эксперттер плюс жалпы бирөө

Эксперттер аралашмасы катмары бир чоң түз байланыш тармагын көптөгөн кичинекейлерине жана ар бир токенге бир нечесин тандаган маршрутизаторго алмаштырат. DeepSeek'тин варианты эксперттерди кадимки сегиз эксперттик түзүлүшкө караганда майдараак кесет, ошондуктан ошол эле активдешкен FLOP'тор алда канча комбинаторикалык так аралашма сатып алат, жана ал ар бир токен өтүп кете турган жалпы эксперттти бөлүп коёт, ошондуктан жалпы билим ар бир адистин ичинде ашыкча кайра үйрөнүлбөйт. DeepSeek-V3 муну 256 маршруттолгон эксперт плюс 1 жалпы эксперт, токенге 8 маршруттолгону активдешет түрүндө чыгарган — жалпысынан 671B параметр, 37B активдүү — жана кошумча жоготуусуз жүктү теңдөө менен: сапатты начарлаткан айыптоо мүчөсүнүн ордуна, ошол эксперт аз же ашык жүктөлгөн сайын ар бир кадамда эксперт боюнча жантаюу маршруттоо упайларын жогору же төмөн жылдырат.

MLA — эстутумга бата турган көңүл буруу

Тейлөө чыгымы көйгөйүнүн экинчи жарымы — контекст менен сызыктуу өскөн жана узун ырааттуулуктарда эстутумда үстөмдүк кылган KV кэш. DeepSeek-V2'де киргизилген көп баштуу латенттик көңүл буруу ачкычтар менен маанилерди чогуу төмөн рангдуу латенттик векторго кысып, ошону кэштейт, ал эми колдонууга жарактуу K/V'ны учурунда кайра курат. DeepSeek'тин V2 боюнча жарыялаган сандары, өздөрүнүн мурдагы тыгыз DeepSeek 67B'сине каршы, KV кэштин 93,3%га кыскарганын жана эң чоң жаратуу өткөрүмдүүлүгүнүн 5,76× жогорулаганын билдирет. Дал ошондуктан бул үй-бүлөдө 262K токендик терезе премиум кошумча эмес, кадимки нерсе.

Сейрек көңүл буруу — жана арзан токендердин прецеденти

V3.2-Exp DeepSeek Sparse Attention кошкон: жеңил индекстөөчү контекст токендерин суроого карата баалайт, ал эми тандоочу эң жогору упай алгандарын гана калтырат. Кызыгы — механизм эмес, чек. DeepSeek V3.1-Terminus менен жанаша салыштырууну жарыялаган: MMLU-Pro 85,0'де бирдей, AIME 2025 өскөн (88,4 → 89,3), SWE-bench Verified бир аз түшкөн (68,4 → 67,8) — иш жүзүндө сапаты өзгөрбөгөн — жана ошол эле күнү API баасын 50%дан ашык кыскарткан. Чынчыл билдирилген архитектура түздөн-түз баага айланат. Flash — ошол аргументтин дагы бир кадам ары жылдырылганы.

V4 муун

2026-жылдын апрелинде MIT лицензиясы алдында алдын ала көрсөтүлгөн V4 көңүл буруу түзүлүшүн дагы бир жолу Compressed Sparse Attention менен Heavily Compressed Attention гибридине алмаштырат, 32T'дан ашык токенде Muon оптимизатору менен үйрөнөт жана V3'түн көп токенди алдын ала айтуу максатын сактайт — ал ошол эле учурда спекулятивдик декоддоо катары иштейт жана DeepSeek аны V3'тө болжол менен 1,8× декоддоо ылдамдашуусу үчүн экинчи токенди кабыл алуу деңгээли 85–90% деп өлчөгөн. V4'түн аннотациясы V4-Pro'нун V3.2'нин бир токендик чыгаруу FLOP'торунун 27%ында жана KV кэшинин 10%ында иштеп жатканын билдирет. Үй-бүлө ой жүгүртүү аракетинин үч деңгээлин ачат, биздин reasoning_effort параметрибиз так ошого дал келет.

Булактар: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 техникалык отчету (arXiv 2412.19437) · DeepSeek-V3.2-Exp модель карточкасы · DeepSeek-V4 (arXiv 2606.19348). Бардык сандар DeepSeek билдирген.

03«Flash» чындыгында эмнени билдирет

Салыштыруулардын көбү дал ушул жерде жаңылат, ошондуктан аны түз айтуу керек: DeepSeek'тин Flash'ы кванттелген, кыскартылган же дистилденген Pro эмес. Бул — өз алдынча үйрөтүлгөн, өзүнүн алдын ала үйрөтүү айлампасы бар кичирээк эксперттер аралашмасы модели. V4 алдын ала көрсөтүү макаласы эки өлчөмдү берет:

Сандар DeepSeek-V4 алдын ала көрсөтүү макаласынан. Биз тейлеген расмий чекпоинттер — V4-Flash-0731 жана V4-Pro-0813 — модель карточкаларында бир аз чоңураак 304B жана 1,7T жалпы санды көрсөтөт; DeepSeek ал курулуштар үчүн активдешкен параметрлерди кайра келтирбейт.

Бул жерде эки сан иштейт. Жалпы параметрлер эстутум изин аныктайт, ал моделдин бир нускасы канча жабдык ээлээрин чечет. Активдешкен параметрлер токенге туура келген арифметиканы аныктайт, ал өткөрүмдүүлүктү чечет. Flash биринчиси боюнча болжол менен 5,6×, экинчиси боюнча 3,8× кичине — жана ошол ажырымда байкоого арзырлык бир кылдаттык бар: Flash 284 миллиард параметрдин 13ун, б.а. болжол менен 4,6%ын активдештирет, ал эми Pro 1 600 миллиарддын 49ун, б.а. болжол менен 3,1%ын. Flash — азыраак сейрек модель. Ал жөн гана эксперттери азыраак күйгүзүлгөн Pro эмес; ал — тыгызыраак, башкача теңдештирилген долбоор, ал өзүнүн чоңураак үлүшүн жараткан ар бир токенге жумшайт. Бул — чыныгы инженердик тандоо, төмөндөтүү эмес.

DeepSeek'тин өз сандары эмне дейт

Эки расмий модель карточкасы тең ошол эле агенттик жана программалык инженерия бенчмарктарында упайларды жарыялайт, бул салыштырууну адаттан тыш таза кылат — бир лаборатория, бир баалоо каркасы, эки өлчөм:

Бенчмарк (DeepSeek билдирген)	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 ар бир сапта утат. Бул — чынчыл башкы сөз, жана биз аны продакшндан эмес, ушул жерден окуганыңызды каалайбыз. Бирок ажырымдарды окуңуз, анткени сиз чындыгында ошолорду сатып алып жатасыз. Terminal Bench 2.1'де параметри жыйырма беш эсе аз моделде ажырым 5,2 пункт; курал колдонууда 3,8 пункт. Ажырым иш эң тереңдеген жерде кеңейет — DeepSWE'де 8,3 пункт, NL2Repo'до 7,3, экөө тең туруктуу көп кадамдуу код ой жүгүртүүсүн сыйлайт. Бир таблицадагы алмашуунун формасы ушул: Flash чектелген тапшырмаларда аралыктын көбүн жабат жана ачык учтуу тапшырмаларда жол берет.

DeepSeek'тин өз Flash карточкасы муну дагы курчураак айтат: Flash-0731 активдешкен параметр саны алда канча аз болсо да, тизмедеги бенчмарктарда V4-Pro'нун алдын ала көрсөтүү версиясынан озот. Жаңыраак кичине моделдин эскирээк чоң моделди утушу — бул тармактагы кадимки абал, жана дал ошондуктан «чоңураак деңгээл» эч качан демейки жообуңуз болбошу керек.

04Кошумчаны окуу: W4A16-AUTOROUND-REAP

Биздин модель id'лерибиз кысуу схемасын ачык айтат, анткени чыгуу сапатына эң көп таасир этип, дээрлик эч ким ачыктабаган нерсе — ошол. Бул үч доомотко ажырайт.

W4A16 — 4 биттик салмактар, 16 биттик активациялар

Салмактар ар бири 4 битте сакталат; активациялар 16 биттик тактыкта агат. Бул — салмак гана кванттоо, жана ал токен жаратуудагы чыныгы тар жерди — арифметиканы эмес, эстутумдун өткөрүмдүүлүгүн — көздөйт. Активацияларды да кванттоо бир аз ылдамдык кошуп, тактыктын алда канча чоң кулашын тобокелге салмак; аларды 16 битте калтыруу — консервативдүү, жогорку тактыктагы тандоо. Белгилөө — тейлөө экосистемасынын кыскартмасы; кванттоо адабияты ошол эле нерсени топ өлчөмү менен W4 деп жазат.

AUTOROUND — эң жакынга эмес, үйрөнүлгөн тегеректөө

Жөнөкөй кванттоо ар бир салмакты эң жакын көрсөтүлүүчү мааниге тегеректейт. Бул ачык эле оптималдуу эмес: бир салмакты «туура эмес» жакка тегеректөө кошуналары киргизген катаны жоюп коюшу мүмкүн, ал эми миллиарддаган салмакта ошол өз ара таасирлер үстөмдүк кылат. Intel'дин AutoRound'у тегеректөө чечиминин өзүн үйрөнүүчү нерсе катары карайт: салмак боюнча ±0,5 менен чектелген үйрөтүлүүчү козголуу — каалаган бир тегеректөө чечимин которгонго так жетиштүү жана андан ашык эмес — плюс үйрөнүлүүчү кесүү диапазондору, кичине калибрлөө топтомунда блок боюнча чыгууну калыбына келтирүү максатына каршы белгиленген градиенттик түшүү менен оптималдаштырылат. Эки жүз кадам, андан соң бүттү.

Intel'дин жарыялаган салыштырууларында AutoRound 4 биттик салмак гана режиминде GPTQ'дан 32 сыналган сценарийдин 30унда, AWQ'дан 32нин 27синде жана OmniQuant'тан 32нин 29унда озот, ал эми 2 биттеги эң жакынга түз тегеректөөгө караганда тактыктын 6,9дан 33,2 пунктка чейинки утушу менен. Мунун баары чыгаруу учурунда эч нерсеге турбайт: бул — офлайн, бир жолу жасалган сандардын жакшыраак тандоосу.

REAP — эч ким маршруттабаган эксперттерди алып салуу

Cerebras Systems менен Калгари университетинен чыккан REAP (Router-weighted Expert Activation Pruning) — MoE моделдери үчүн бир жолку кысуу. Ал ар бир экспертти маршрутизатор ага канчалык күчтүү жана канчалык көп кайрыларына, ошол экспертттин чыгуусунун чоңдугуна көбөйтүп баалайт, андан соң эң аз маанилүү эксперттерди таптакыр өчүрөт — кийин кайра үйрөтүүсүз.

Макаланын борбордук табылгасы пайдалуу: жогорку кысуу катышында эксперттерди кыскартуу аларды бириктирүүдөн озот. Функционалдык жактан ар башка эксперттерди бириктирүү авторлор функционалдык ички мейкиндиктин кулашы деп атаган нерсени жаратат — маршрутизатор MoE'ни курууга арзыткан майда, кириштен көз каранды көзөмөлүн жоготуп, статикалык орточолордун ортосунда рулдап калат. 20B'ден 1T параметрге чейинки моделдер боюнча алардын сандары: код тапшырмаларында 25% эксперт кысууда REAP орточо тактыктын 2,8%ын жоготот, ал эми бириктирүү базалык варианттары 5%дан ашыгын жоготот; 50%да REAP 8,0%ын жоготот, ал эми бириктирүү 20%дан ашыгын. Qwen3-Coder-480B'де 50% кыскартууда түшүү 1,4%, ал эми жыштыкка негизделген жөнөкөй кыскартууда 39,3%. Cerebras башкалар менен катар DeepSeek теги үчүн REAP чекпоинттерин жарыялаган.

Эмне үчүн бул жерде 4 бит, ал эми Pro'до 3 бит

Эки деңгээл тең ошол эле класстагы жабдыкка батып, тез бойдон калышы керек. Pro 1,7 триллион параметрди алып жүрөт, ошондуктан ага жалпы эле батыш үчүн агрессивдүүрөөк 3 биттик мамиле керек. Flash болжол менен 300 миллиардды алып жүрөт, ошондуктан ага андай керек эмес — жана үнөмдөлгөн бит батуу үчүн эмес, тактык үчүн жумшалат.

Ошол кошумча бит арифметикасы көрсөткөндөн да маанилүүрөөк, анткени кванттоонун зыяны сызыктуу эмес. AWQ макаласынын WikiText-2 өлчөөлөрүндө Llama-2-7B FP16'дагы 5,47 перплексиядан 4 битте 5,60'ка өтөт — 2,4% айып — бирок 3 битте 6,24'кө, б.а. 14% айыпка. Бул 25% көп кысуу үчүн болжол менен алты эсе көп начарлоо, жана ошол эле үлгү 70B'де да сакталат. GPTQ макаласы дагы курч: 3 битте эң жакынга түз тегеректөө 175B класстагы моделдерде миңдеген перплексияга кулайт, ал эми 4 битте таптакыр колдонууга жарактуу бойдон калат. Төрт биттен төмөн жакшы кванттоо алгоритми жагымдуу кошумча болуудан калып, моделди кармап турган бирден-бир нерсеге айланат.

Демек, бул эки кошумчанын чынчыл окулушу мындай: Flash өзүнүн кысылбаган түрүнө Pro өзүнүкүнө турганга караганда жакыныраак турат. Pro дагы эле күчтүүрөөк модель — жогорудагы бенчмарк таблицасы муну чечет. Ал жөн гана бул жерге жетүү үчүн көбүрөөк берген, ал эми сиз ошол артыкчылык үчүн төлөйсүз.

Булактар: 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. Перплексия сандары AWQ (arXiv 2306.00978) жана GPTQ (arXiv 2210.17323) макалаларынан.

05Учтагы Flash менен Pro

03-бөлүм негиздерди камтыды. Мына эки деңгээл шлюзубуздагы продукт катары кандай көрүнөт:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Кванттоо	W4A16-AUTOROUND-REAP	3BIT-REAP
Салмак тактыгы	4 бит, үйрөнүлгөн тегеректөө	3 бит
Негизи (жалпы / активдүү)	~304B / 13B	~1.7T / 49B
1M токенге кирүү	$0.50	$1.95
1M токенге чыгуу	$2.00	$3.90
Контекст / эң чоң чыгуу	262 144 / 16 384	262 144 / 16 384
Куралдар · структураланган чыгуу · агымдуу берүү	Ооба	Ооба
Көрүү	Жок	Жок
Баш тартуу катмары	Жок	Жок

Эмне өзгөрбөгөнүн байкаңыз: контекст, чыгуу чеги, курал чакыруу, структураланган чыгуу жана баш тартуу катмарынын жоктугу бирдей. Жылган нерселер — негиз, кванттоо жана баа гана. Бул алардын ортосунда которулууну кодуңуздагы бир саптык өзгөрүүгө, ал эми архитектураңызда таза экономикалык чечимге айлантат.

Эң чоң өлчөмдөгү бир чакыруу канча турат

Бүткүл 262 144 токендик контекстти толтуруп, толук 16 384 токендик чыгууну алыңыз:

Прайс-баа боюнча. Flash: $0.131 кирүү + $0.033 чыгуу. Pro: $0.511 + $0.064. Катышы 3,51×. Flash ошондой эле $0.50 / $2.00 түбүн MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro жана Hy3 менен бөлүшөт — алардын көрүү жана структураланган чыгуу боюнча айырмасын толук каталогдон караңыз.

06Көлөм арифметикасы, эсептелген түрдө

«3,9× арзан» дегени кирүүдө гана чын. Чыгууда Flash 1,95× арзан. Демек, чыныгы үнөмүңүз кирүү-чыгуу катышыңыздан көз каранды, ал эми чачыроо долбоордук чечимдерди өзгөртө тургандай кеңири. 100 000 сурамдагы төрт реалдуу жүк:

Жүк	Чакырууга кирүү / чыгуу	Flash	Pro	Үнөм
Тикеттерди классификациялоо	1,200 / 120	$84	$281	3.3×
RAG боюнча суроого жооп берүү	8,000 / 600	$520	$1,794	3.4×
Узун документтин жыйынтыгы	60,000 / 1,500	$3,300	$12,285	3.7×
Синтетикалык маалымат жаратуу	500 / 2,000	$425	$878	2.1×

Үлгү мындай: канча көп контекст берип, канча аз текст жаратсаңыз, Flash сизге ошончо көп үнөмдөйт. Издөө түтүктөрү, документтерди иреттөө, лог менен транскрипт талдоосу жана узун контексттен чыгарып алуу — эң ыңгайлуу жери: алар он эсе кирүүгө басымдуу, ал эми 3,9× арзандатуу так кирүүдө жашайт. Ал эми жүгүңүз миңдеген токен проза жараткан кыска промпт болсо, ажырым болжол менен 2×ке кыскарат жана Pro'нун пайдасына жөндөм аргументи ошончолук күчтөнөт.

Өздөштүрүүгө арзырлык дагы бир арифметика: миллион кирүү токенине $0.50 баада бүткүл 262 144 токендик терезени толтуруу 13,1 центке турат. Ошол баада узун контексттүү промпттоо бюджет маселеси болбой калат, бул кээде издөө катмарын такыр курбай, контекст терезесине иштетип коюуга болорун билдирет — токен үнөмүнүн үстүнө инженердик үнөм.

07Бул жерде «цензурасыз» так эмнени билдирет

Бул сөз бош колдонулат, ошондуктан мына учтун касиети катары айтылган аныктамабыз: моделдин алдында баш тартуу классификатору жок жана анын чыгуусуна мазмун чыпкасы колдонулбайт. Эч нерсе промптту кармап, даяр баш тартуу кайтарбайт; эч нерсе жоопту текшерип, кыркпайт. Көлөмдүү өндүрүштүк иш үчүн кесепеттери бул сөз көрсөткөндөн азыраак драмалуу жана көбүрөөк пайдалуу:

• Зыянсыз трафикте жалган позитивдер жок. Чыпкаланган учтар медициналык жыйынтыктарды, коопсуздук сыпаттамаларын, укуктук материалдарды, көркөм адабиятты, зыянды азайтуу материалдарын жана модерациянын өзүн үзгүлтүксүз четке кагат — так эле топтомдук иш зыяндуу нерсе жаратпай, сезгич тема жөнүндөгү текстти иштеткен категорияларды. Жүз миң сурамда бир пайыздык жалган баш тартуу деңгээли — миң бузулган сап.
• Детерминисттик келишимдер. json_schema жооп сурасаңыз, объект болушу керек жерде кечирим сурап жазылган абзац эмес, схемага дал келген JSON аласыз. Талдоочуңузга баш тартуу бутагы керек эмес, ал эми кайра аракет логикаңыз транспорт катасын саясат катасынан ажыратуунун кереги жок.
• Саясат сиздики. Алмашуу ушул. Эгер продуктуңузга акыркы колдонуучуларыңыз үчүн коргоочу тосмолор керек болсо, аларды провайдердин экөө тууралуу болжолдорун мураска алуунун ордуна, колдонуучуларыңызды да, юрисдикцияңызды да билген өз катмарыңызда курасыз. Аккаунтуңуз биздин жоопкерчиликтүү колдонуу саясатыбыз менен жөнгө салынган бойдон калат.

Цензурасыз дегени тегиздөөсүз же пайдасыз дегени эмес. Модель дагы эле көрсөтмөлөрдү аткарат жана системалык промптту дагы эле сыйлайт. Эгер сиздин колдонуучуларыңыз үчүн айрым категорияларда баш тартышын кааласаңыз, ошол жерде айтыңыз — бул көрсөтмө эми биз таңуулай турган эмес, сиз жаза турган нерсе.

08Мүмкүнчүлүктөр жана чынчыл чектөөлөр

Көлөмдүү иште эки мүмкүнчүлүк салмактын көбүн көтөрөт. Катаң json_schema чыгуусу жоопту талдоо катмарысыз жана баш тартуу бутагысыз маалымат базасынын сабына айлантат. Үч диалекттин баарында курал чакыруу Flash'ты жогорку деңгээлдеги пландоочусу күчтүүрөөк моделде иштеген агенттин арзан аралык кадамдары үчүн акылга сыярлык кыймылдаткыч кылат. Ага reasoning_effort кошуңуз — ал ашыкча токендерди трафиктин ага муктаж үлүшүнө гана сарптоого мүмкүндүк берет — жана Pro'нукуна бирдей 262 144 токендик контекст: арзан деңгээлди тандап, контекстти жоготпойсуз, бул адаттан тыш нерсе.

Чектөөлөр да ошончолук так:

• Көрүү жок. Flash — текст гана жана билдирүүдөгү сүрөт бөлүктөрүн четке кагат. Ошол эле $0.50 / $2.00 түбүндөгү цензурасыз моделде сүрөт керек болсо, көрүүсү бар варианттар — MiniMax-M3 жана MiMo-V2.5; Kimi-K2.6 менен Kimi-K3 — ошол деңгээлден жогорку күчтүү көрүү моделдери.
• Тепкичтин чокусу эмес. DeepSeek'тин өз сандары Pro'ну ар бир жарыяланган агенттик бенчмаркта алдыга коёт, ал эми ажырым туруктуу көп кадамдуу код ой жүгүртүүсүндө эң кең. Бир туура эмес жооп миң арзан жооптон кымбатка турган жерде миллионуна кошумча $1.45'ти DeepSeek-V4-Pro'го сарптаңыз.
• Сурамга 16 384 чыгуу токени. Узун жаратууларды чакыруулар боюнча бөлүктөргө бөлүү керек. Бул — тейлеген ар бир моделибиздеги ошол эле чек жана ал контекст терезесинен алда канча мурун чектейт.

09Аны чакыруу

Каалаган OpenAI'ге шайкеш клиентти шлюзга багыттап, модель сабын өзгөртүңүз. Стегиңиздеги башка эч нерсенин жылышы керек эмес.

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
        }
      }
    }
  }'

Ошол эле модель id'си /v1/messages менен /v1/responses'те өзгөрүүсүз иштейт, бул клиентиңизди кайра жазбай туруп учтагы интеграциянын астында арзаныраак моделди A/B сынактан өткөрүүнүн эң тез жолу. Параметрлер, агымдуу берүү окуяларынын формалары, курал чакыруу схемалары жана ылдамдык чектөөлөрү API справкасында документтелген; каталогдогу ар бир модель Shannon Research бөлүмүндө тизмеленген.

10Көп берилүүчү суроолор

---

Булактар: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 техникалык отчету (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731 жана DeepSeek-V4-Pro-0813 модель карточкалары · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Бардык негиз жана бенчмарк сандары тиешелүү авторлору жарыялагандай; Shannon AI баалары менен тейленген контекст — 2026-жылдын сентябрына карата биздин өз прайс-маанилерибиз.