Déi onzenséiert DeepSeek-API
Eng DeepSeek-Mixture-of-Experts mat 1.6 Billiounen Parameter, servéiert ouni Refus-Schicht: 262K Kontext, natiive Raisonnéierungsopwand, Tool-Calling an dräi API-Dialekter op eisem eegene GPU-Cluster.
Kuerz gesot
DeepSeek-V4-Pro-0813-3BIT-REAP ass de Flaggschëffmodell fir Raisonnéierung a Code an der onzenséierter Palett vu Shannon AI. D'Basis ass dem DeepSeek-AI säin Open-Weights-Modell V4-Pro — 1.6T Parameter total, 49B aktivéiert pro Token, MIT-lizenzéiert, natiirlech fir e Kontext vun enger Millioun Token trainéiert. Mir servéieren en op eisem eegene GPU-Cluster mat 3-Bit-Gewiichter a REAP-Pruning vun Experten, mat engem Fënster vun 262,144 Token, engem maximalen Output vun 16,384 Token, Streaming, natiivem Tool-Calling, striktem json_schema-Output an engem reasoning_effort-Regler. $1.95 pro 1M eran, $3.90 pro 1M eraus. Keng Vision. Keng Refus-Schicht, keng Filterung vum Output.
Leit déi bei der Formulatioun „onzenséiert DeepSeek-API“ ukommen wëllen eng ganz bestëmmte Saach: e Modell mat dem DeepSeek senger Raisonnéierungs- a Programméierfäegkeet dat op déi Fro äntwert déi se wierklech gestallt hunn. Déi Halschent mat de Fäegkeeten ass gutt dokumentéiert — DeepSeek-AI huet d'Architektur an d'Zuele publizéiert, an d'Gewiichter leien op Hugging Face ënner MIT. Déi zweet Halschent ass eng Betriebsentscheedung, a se gëtt normalerweis fir dech getraff. Dës Säit behandelt béides: wat d'V4-Pro-Basis ass, wat eise 3BIT-REAP-Build domat mécht, a genee wat „onzenséiert“ heescht, wa mir et soen.
01Wat „onzenséiert DeepSeek-API“ wierklech heescht
Zwee ënnerschiddlech Mechanisme ginn ënner dat selwecht Wuert gepaakt. Den éischten ass d'Alignment dat an d'Gewiichter agebak ass — Refusverhalen dat wärend dem Post-Training geléiert gouf. Den zweeten ass eng Moderatiounsschicht op der Serverssäit: e getrennte Klassifikateur dee däi Prompt kontrolléiert ier de Modell en gesäit, an den Output ier s du en gesäis, a deen eng Äntwert matzen am Saz ofschneide kann, egal wat de Modell soe wollt.
Béid si moossbar, an dem DeepSeek säin eegene Service gouf gemooss. Promptfoo huet e Set vun 1,360 politesch sensibele Froen zesummegestallt a bericht, datt dem DeepSeek säin gehostete R1 1,156 dovun refuséiert oder ofgelenkt huet — ongeféier 85 %. Akademesch Aarbecht un der selwechter Famill huet e markanten Feelermodus fonnt, deen d'Auteuren thought suppression genannt hunn, wou d'Raisonnéierungsspur vum Modell bal ofbrécht, kaum datt se bei engem sensibelen Thema ugefaangen huet. En separaten Audit, publizéiert an Information Sciences, huet Ënnerdréckung op der semantescher Ebene dokumentéiert: Inhalt deen an der interner Raisonnéierung vum Modell do ass a roueg ewechgelooss oder ëmgeschriwwe gëtt, ier en de Benotzer erreecht. Dat ass e méi schwéiere Problem wéi e glatte Refus, well eng ofgeschnidden Äntwert wéi eng Äntwert ausgesäit.
Wat mir bedreiwen ass d'Open-Weights-Verëffentlechung, op Hardware déi mir bedreiwen, an de Vereenegte Staaten, ënner der Shannon Lab LLC. Et gëtt keng Refus-Schicht virum Modell a kee Filter op deem wat zréckkënnt: däi Prompt gëtt net no enger Politik klasséiert ier en servéiert gëtt, an den Outputstroum gëtt um Wee eraus net kontrolléiert. Well d'Basis MIT-lizenzéiert an ëffentlech ass, kanns du eis Outputen selwer géint d'Referenzgewiichter vergläichen, amplaz eis eppes ze gleewen.
02D'Basis: DeepSeek-V4-Pro, e MoE mat 1.6T
DeepSeek-V4 ass dem DeepSeek-AI seng aktuell Open-Weights-Famill, am Abrëll 2026 virgestallt an ënner MIT an zwou Gréissten erauskomm: V4-Flash (284B total, 13B aktivéiert) an V4-Pro (1.6T total, 49B aktivéiert). Dësen Artikel handelt vun der Pro-Stuf. Béid goufen op ronn 33 Billiounen Token virtrainéiert a béid ënnerstëtzen natiirlech e Kontext vun enger Millioun Token.
D'Spuersamkeetsverhältnis ass dat wat opfale soll: nëmmen ongeféier 3 % vun de Parameter feiere bei engem gegebene Token, an dat ass wat e Modell an dëser Gréisst iwwerhaapt servéierbar mécht. De MoE-Block selwer ass ëmmer nach DeepSeekMoE — déi feingranular gesteiert Experten plus déi ëmmer aktiv gedeelt Experten, agefouert a V2 — mat nëmme klengen Ännerungen a V4, am siichtbarsten Hash-Routing an den alleréischte Schichten. Multi-Token Prediction, dat auxiliäert Zil vu V3 dat och spekulativ Dekodéierung erméiglecht, gëtt onverännert bäibehalen.
Déi nei Stécker a V4 si struktureller Natur. Manifold-Constrained Hyper-Connections (mHC) ersetzen de plaine Residualwee duerch eng geléiert Mëschmatrix, déi iwwer eng Sinkhorn–Knopp-Projektioun op d'Mannigfaltegkeet vun duebel stochastesche Matrizen aschränkt gëtt — e Residualstroum deen sech pro Input nei gewiicht, ouni déi numeresch Ofdrëft déi ganz déif Stapel ëmbréngt. D'Training ass fir déi meescht Moduler vun AdamW op Muon gewiesselt, mat Newton–Schulz-Orthogonaliséierung, wou AdamW nëmme fir Embeddings, Virsokäpp, Normaliséierung an déi statesch mHC-Parameter bäibehale gouf. An d'Expertegewiichter gi mat FP4 trainéiert, wärend déi meescht aner Parameter a FP8 leien — vun Ufank u quantiséierungsbewosst, wat zielt fir wéi elegant de Modell weider Kompressioun hëlt.
03Vu MLA op CSA + HCA: wéi DeepSeek laange Kontext bëlleg hält
Dem DeepSeek säi roude Fuedem iwwer véier Generatiounen ass net d'Gréisst, mä d'Ekonomie vun der Attention. All Versioun huet de KV-Cache attackéiert, dee linear mam Kontext wiisst an de Späicher bei laange Längten dominéiert.
- V2 huet Multi-head Latent Attention (MLA) agefouert — eng gemeinsam Niddregrangkompressioun vu Schlëssele a Wäerter an e latente Vektor, sou datt d'Generatioun dee Vektor plus e entkoppelte RoPE-Schlëssel späichert amplaz voller K a V pro Kopf. DeepSeek huet bericht, datt de KV-Cache op ronn 4–14 % vun der Standard-Multi-Head-Attention erofgaangen ass, bei gehalener oder verbesserter Qualitéit.
- V3 huet dat op 671B skaléiert a MLA doduerch zur Standardannahm fir bëllege laange Kontext an offene Modeller gemaach.
- V3.2 huet DeepSeek Sparse Attention (DSA) derbäigesat, dat pro Ufro eng Top-k-Ënnermeng vun der Geschicht iwwer e liichte Indexer auswielt, amplaz alles ze beuechten.
- V4 hybridiséiert. Compressed Sparse Attention (CSA) komprimméiert als éischt d'KV-Anträg vu jee m Token mat geléierte Gewiichter zu engem eenzegen Antrag a leeft dann eng spuersam Top-k-Auswiel iwwer déi komprimméiert Anträg. Heavily Compressed Attention (HCA) komprimméiert vill méi aggressiv, bleift awer dicht iwwer d'Resultat. Déi zwee Schichttypen si duerch de ganze Stapel ofwiesselnd gesat, sou datt bëllege globalen Iwwerbléck a präzis lokal Erhuelung nieftenee bestoen.
De berichte Gewënn bei engem Kontext vun enger Millioun Token ass däitlech: V4-Pro brauch ronn 27 % vun den Inferenz-FLOPs pro Token a 10 % vum KV-Cache vu V3.2. Dofir behuelt sech eng 262K-Ufro wéi eng normal Ufro an net wéi e Späicherereignis, an dofir halen d'Zuele fir d'Erhuelung bei laangem Kontext, amplaz no e puer Zéngdausend Token zesummenzefalen.
04Wat de Suffix 3BIT-REAP heescht
Eis Katalog-Id endegt op 3BIT-REAP, an dat beschreift zwee onofhängeg Kompressiounsschrëtt déi an der Rei ugewannt goufen.
REAP: Experte pruningen, net fusionéieren
REAP steet fir Router-weighted Expert Activation Pruning, vu Cerebras Research — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression“, ugeholl fir ICLR 2026. An engem spuersame MoE benotzt de Router seng Experte net gläichméisseg: en laange Schwanz gëtt selten, schwaach oder béides gewielt. REAP bewäert all Expert, andeems en d'Router-Gate-Wäerter (wéi dacks a wéi staark en gewielt gëtt) mat den Aktivéierungsnorme vum Expert (wéi vill säin Output bäisteiert) kombinéiert, a läscht dann d'Verléierer komplett.
D'Argument vum Pabeier ass, datt Pruning d'Fusionéiere schléit: Fusionéieren mëttelt genee déi funktionell Spezialiséierung ewech déi de MoE iwwerhaapt bauwäert gemaach huet, wärend d'Läsche vun den Experten déi de Router kaum erreecht se erhält. Iwwer Modeller vu 20B bis 1T huet REAP d'Fusionéieren an konkurréiere Pruning-Methoden op generative Benchmarke geschloen, an d'Auteure berichten bal verloschtfräi Resultater bei der Codegeneratioun an dem Tool-Calling bei 50 % Expert-Pruning op Qwen3-Coder-480B a Kimi-K2 — an dat ass genee dat Aarbechtsprofil, fir dat dëse Modell hei ass.
3-Bit-Gewiichter: d'Kompressiounsstuf fir déi gréisste Basen
Wat iwwreg bleift gëtt duerno op 3-Bit-Gewiichter quantiséiert. Dräi Bit sinn aggressiv, a mir dinn net esou, wéi wier et anescht: iwwer d'Palett hi benotze mir W8A16, wou d'Basis kleng genuch ass fir de Quetsch net ze brauchen, W4A16-AUTOROUND-REAP an der Mëtt, an 3BIT-REAP nëmmen op de gréisste Basen, wou et den Ënnerscheed ass tëscht de Modell servéieren an en net servéieren.
De Kompromëss lount et sech kloer ze soen: e 3-Bit-MoE mat 1.6T ass net bitidentesch mat der Referenzverëffentlechung, an e klenge Qualitéitspräis ass real. Wat s du dofir kriss ass eng Basis, deem seng onkomprimméiert Ubierstgrenz wäit iwwer allem läit wat bei méi héijer Präzisioun bequem passt — a well dem V4 seng Experte vun Ufank un a FP4 trainéiert goufen, behuelt sech de Modell ongewéinlech gutt ënner weiderer Gewiichtskompressioun. Wann s du e DeepSeek-Build mat enger méi liichter Hand bei der Präzisioun wëlls, benotzt DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-Bit-Gewiichter mat 16-Bit-Aktivéierungen an dem AutoRound sengem geléierte Rondungsverfahren, um selwechte Kontext vun 262K fir $0.50 eran / $2.00 eraus.
05Raisonnéierung, an de reasoning_effort-Regler
Dem V4 säi Post-Training trainéiert Domänespezialiste getrennt — Mathematik, Programméieren, Agenten, Instruktiounsfollegen — mat SFT, gefollegt vu GRPO, der Method vun der Group Relative Policy Optimization déi DeepSeek mat R1 agefouert huet. Déi Spezialiste ginn dann duerch On-Policy-Distillatioun ënner engem Reverse-KL-Zil zu engem eenzege Modell vereenegt, sou datt ee eenzege Checkpoint spezialistewäertegt Verhalen a méi Domänen gläichzäiteg dréit, amplaz e Generalist ze sinn deen an allem mëttelméisseg ass.
De verëffentlechte Modell stellt gestufft Denkmodi zur Verfügung an net e binäre Schalter. Op eisem Gateway ass dat de Standardparameter reasoning_effort, dee nëtzlechste Knäppchen op dësem Modell:
- Low — bal direkt Äntwerten: Klassifikatioun, Extraktioun, Ëmschreiwen, alles wou s du fir d'Wësse vum Modell bezuels an net fir seng Iwwerleeung.
- Medium — de Standardaarbechtsmodus fir Code-Reviewen, Debugging a Multi-Schrëtt-Analys.
- High — laang Iwwerleeung ier geäntwert gëtt. Do gi déi schwéier Probleemer geléist, an do lieft deng Rechnung fir Output-Token, well Raisonnéierungstoken als Output verrechent ginn.
Well et keng Refus-Schicht gëtt, gëtt d'Raisonnéierungsspur bei sensibele Sujeten net ofgeschnidden — dat Muster vun der Gedankenënnerdréckung, dat um Erstubidderservice dokumentéiert gouf, huet hei kee Mechanismus fir opzedauchen.
06Code an agentesch Aarbecht: wat d'Basis erreecht
Dat sinn dem DeepSeek-AI seng eege publizéiert Zuele fir d'V4-Pro-Verëffentlechung — net eis, an net op eisem quantiséierte Build gemooss. Mir weisen se, well se den éierleche Grond sinn fir dës Basis ze wielen, a markéieren se als Zuele vum Ubidder selwer, sou datt s du se entspriechend gewiichte kanns.
Zwee verdéngen e Kommentar. SWE-bench Verified mat 80.6 % ass d'Léise vun Issuen a richtege Repositoiren — en onbekannte Code liesen, de Feeler lokaliséieren, e Patch produzéieren deen dem Projet seng eegen Tester passéiert. MRCR bei enger Millioun Token (83.5) ass d'Erhuelung vu Koreferenzen iwwer méi Ronnen op voller Längt, déi Zuel déi dir seet, datt d'Behaaptung iwwer de laange Kontext keng Dekoratioun ass. DeepSeek bericht fir de Modell och e Codeforces-Rating vun 3206 an 62.0 op CorpusQA bei 1M Kontext.
D'Zuelen hei uewe si vum DeepSeek-AI fir d'Referenzverëffentlechung DeepSeek-V4-Pro bericht. Eise 3BIT-REAP-Build ass eng komprimméiert Variant vun deene Gewiichter a gouf bei dësen Aufgaben net onofhängeg gebenchmarkt; behandel d'Referenzwäerter als d'Ubierstgrenz vun der Basis an net als Miessung vun dësem Endpunkt.
07262K Kontext: wat wierklech passt
De Referenzmodell ass fir eng Millioun Token trainéiert. Mir servéieren 262,144 — dat Fënster dat all Modell um Gateway deelt, sou datt e Modellwiessel eng Ännerung vun enger Zeil ass an ni e Réckschrëtt beim Kontext. An der Praxis läit 262K iwwer dem Punkt, wou de Kontext bei de meeschte richtegen Aarbechte bindt:
| Aarbechtslaascht | Ong. Token | Passt an 262K? |
|---|---|---|
| Mëttelgrousse Servicerepo (~50k Zeilen) | ~600K | Nee — Moduler auswielen |
| Eenzelt Subsystem + seng Tester | ~60–120K | Jo, bequem |
| Kompletten RFC-Set fir e Protokoll | ~150K | Jo |
| E technescht Buch mat 700 Säiten | ~250K | Jo, no bei der Grenz |
| Laangen Agentelaf, 40+ Tool-Ronnen | ~80–200K | Jo |
D'Grenz mat där ee plange muss ass den Output: maximal 16,384 Token pro Äntwert. Dat ass e laangt Dokument oder e substanzielle Patch iwwer méi Dateien, mä kee ganze Code. Grouss Generatiounsaufgabe gi gemaach, andeems een Ufroen aneneen häng mam viregten Output am Kontext — wat d'262K-Fënster bëlleg mécht — an net andeems een eng eenzeg riseg Vervollstännegung freet.
08De Präis, a wou V4-Pro an der Palett sëtzt
Mat $1.95 eran / $3.90 eraus pro Millioun Token ass V4-Pro d'Flaggschëffstuf fir Raisonnéierung — de Modell no deem s du gräifs, wann de Problem schwéier ass. Wann en einfach nëmme grouss ass, maachen dat méi bëlleg Modeller um selwechte 262K-Fënster fir e Véierel vum Präis.
| Onzenséierte Modell | Eran / 1M | Eraus / 1M | Vision | Am beschte fir |
|---|---|---|---|---|
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Nee | Schwéier Raisonnéierung, Code, Agenten |
| DeepSeek-V4-Flash · W4A16 | $0.50 | $2.00 | Nee | Déiselwecht Ofstamung, héicht Volumen |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Nee | Allroundert Aarbechtsdéier |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Jo | Multimodal Agenten op der Spëtzt |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Jo | Déi bëllegst Vision |
Fir éierlech mam Verglach ze sinn deen d'Leit wierklech maachen: dem DeepSeek seng eege API ass méi bëlleg wéi dat hei — V4-Pro beim Ubidder selwer läit ronn $0.435 eran / $0.87 eraus, an hire Präis fir Input mat Cache-Treffer ass nach méi niddreg. Wann de Präis pro Token däin eenzegt Krittär ass an d'Moderatiounsverhalen deng Aarbecht net beaflosst, dann benotz d'API vum Ubidder; mir soen dir dat léiwer, wéi wanns du et eréischt méi spéit erausfënns. De Mehrpräis kaaft eng aner Rei vun Eegenschaften: keng Refus-Schicht a kee Outputfilter, e Betreiber an den USA ënner der Shannon Lab LLC, en fixéierten datéierte Checkpoint (0813), sou datt en rouegen Upgrade uewestrooms deng Outputen ni matzen am Projet ännert, dräi API-Dialekter géint ee Modell, an dat selwecht 262K-Fënster an déiselwecht Parameteruewerfläch iwwer all zwielef Modeller vun der Palett.
09En opruffen: dräi Dialekter, ee Modell
All Modell um Gateway äntwert op all dräi Endpunkten, mat Streaming op jidderengem. Du hëls kee neie SDK un — du ännerts eng Basis-URL an eng Modell-Id.
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— OpenAI-Dialekt; funktionéiert mat den OpenAI-SDKen an allem wat drop opbaut./v1/messages— Anthropic-Dialekt, fir Codebasen déi scho géint déi Form geschriwwe sinn./v1/responses— d'Interface am Responses-Stil.
Op dësem Modell ënnerstëtzt: Streaming, natiivt Tool-Calling, strikte strukturéierten Output mat json_schema, response_format an reasoning_effort. Déi voll Parameterreferenz an e Live-Playground sinn an der API-Dokumentatioun.
10Éierlech Grenzen
Véier Saachen déi ee wësse soll, ier ee dorop baut:
- Keng Vision. Nëmmen Text; et hëlt op kengem Endpunkt Billerinput un. Wann s du en onzenséierte Modell brauchs deen gesäit, benotz Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 oder inkling.
- Outputgrenz vun 16,384 Token. Raisonnéierungstoken zielen bei héijem Opwand dogéint, sou datt eng laang Iwwerleeung manner Plaz fir d'Äntwert léisst. Häng d'Ufroe fir grouss Generatiounsaufgaben aneneen.
- 3 Bit sinn eng richteg Kompressioun. D'Referenzwäerter beschreiwen d'Basis an net dëse Build. Fir déi Stuf mat der héchster Tréischtheet droen d'
W8A16-Modeller (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) déi mannsten Quantiséierung. - Onzenséiert heescht net ouni Konsequenzen. Keng Refus-Schicht heescht, datt d'Verantwortung fir dat wat s du frees, a fir dat wat s du mat der Äntwert méchs, bei dir läit — ënner eise Notzungsbedingungen an dem Gesetz do wou s du agéiers.
All architektonesch Behaaptung an all Benchmarkzuel op dëser Säit kënnt vun enger ëffentlecher Primärquell. Lies se selwer.
11Dacks gestallte Froen
Wat ass déi onzenséiert DeepSeek-API?
Et ass d'Open-Weights-Modell DeepSeek-V4-Pro, dat op dem Shannon AI sengem eegene GPU-Cluster servéiert gëtt, ouni Refus-Schicht dervir an ouni Filter op deem wat et zréckgëtt. Du rifs et op /v1/chat/completions, /v1/messages oder /v1/responses op, mat engem Kontextfenster vun 262,144 Token, an den Endpunkt äntwert amplaz ze moderéieren.
Wéi ënnerscheet sech dat vun der offizieller DeepSeek-API?
Déiselwecht Open-Weights-Ofstamung, en anere Betreiber an eng aner Politik. Dem DeepSeek säin eegene Service ass pro Token méi bëlleg a bedreift seng eege Moderatioun; publizéiert Audite vu Promptfoo a vun akademesche Gruppen hunn do Refusen a semantesch Ënnerdréckung bei politesch sensibele Prompte dokumentéiert. Shannon AI bedreift d'Gewiichter an de Vereenegte Staaten ouni Refus-Schicht, stellt de Raisonnéierungsopwand an d'Tool-Calling op dräi API-Dialekter zur Verfügung, a fixéiert en datéierte Checkpoint, sou datt d'Outputen sech net ënner dir verrécken.
Wat heescht 3BIT-REAP?
Zwee Kompressiounsschrëtt. REAP ass Router-weighted Expert Activation Pruning, eng Method vu Cerebras Research déi selten a schwaach ugesteierten Experten aus engem Mixture-of-Experts-Modell erausgeheit, andeems se all Expert no senge Router-Gate-Wäerter a senge Aktivéierungsnormen bewäert. Wat iwwreg bleift gëtt duerno op 3-Bit-Gewiichter quantiséiert. Zesummen loosse se eng Basis mat 1.6 Billiounen Parameter op eisem eegene GPU-Cluster passen a séier bleiwen.
Wéi grouss sinn d'Kontextfenster an de maximalen Output?
262,144 Token Kontext a bis zu 16,384 Token Output pro Ufro. Dat sinn ongeféier 600 bis 800 Säiten Text eran, an e laangt technescht Dokument oder e groussen Patch iwwer méi Dateien eraus. Laang Aufgabe gi gemaach, andeems een Ufroen aneneen häng, an net andeems een d'Outputgrenz eropsetzt.
Ënnerstëtzt DeepSeek V4 Pro Tool-Calling a JSON-Schema-Output?
Jo, béides. Natiivt Tool-Calling, strikte strukturéierten Output mat json_schema a response_format ginn all ënnerstëtzt, zesumme mat Streaming an engem Parameter reasoning_effort. Et hëlt kee Billerinput un; wann s du Vision op engem onzenséierte Modell brauchs, benotz amplaz Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 oder inkling.
Wat kascht déi onzenséiert DeepSeek-API?
$1.95 pro Millioun Input-Token an $3.90 pro Millioun Output-Token. Bannent der selwechter onzenséierter Palett kascht DeepSeek-V4-Flash $0.50 eran an $2.00 eraus fir de selwechte Kontext vun 262K, a GLM-5.2 kascht $0.73 eran an $2.34 eraus, also ass V4-Pro déi Stuf no där s du gräifs, wann de Problem schwéier ass an net grouss.
Ruff DeepSeek V4 Pro onzenséiert op
262K Kontext, Raisonnéierungsopwand, Tool-Calling. OpenAI-, Anthropic- a Responses-Dialekter op engem eenzege Schlëssel.
D'API-Dokumentatioun liesen All ModellkaartenShannon Lab LLC · New Mexico, USA · d'Modeller ginn op eisem eegene GPU-Cluster servéiert
Quellen: DeepSeek-AI — Modellkaart DeepSeek-V4-Pro · Techneschen Explikatiounsbericht DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Techneschen Explikatiounsbericht DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfoo-Zensuraudit · Discovering Forbidden Topics in Language Models. D'Benchmarkzuele si vum DeepSeek-AI fir d'Referenzverëffentlechung bericht; eng onofhängeg Verifikatioun vum komprimméierte Build duerch Drëtter steet nach aus. D'Präisser sinn d'Lëschtepräisser vu Shannon AI mam Stand vum 5. September 2026.