API DeepSeek ບໍ່ເຊັນເຊີ

ຄົນທີ່ຄົ້ນຫາຄຳວ່າ "API DeepSeek ບໍ່ເຊັນເຊີ" ຕ້ອງການສິ່ງໜຶ່ງທີ່ຊັດເຈນ: ໂມເດວທີ່ມີຄວາມສາມາດການໃຫ້ເຫດຜົນ ແລະ ຂຽນໂຄດຂອງ DeepSeek ທີ່ຕອບຄຳຖາມທີ່ເຂົາເຈົ້າຖາມແທ້ໆ. ເຄິ່ງໜຶ່ງທາງດ້ານຄວາມສາມາດຖືກບັນທຶກໄວ້ດີ — DeepSeek-AI ເຜີຍແຜ່ໂຄງສ້າງ ແລະ ຕົວເລກ, ແລະ ນ້ຳໜັກຢູ່ໃນ Hugging Face ພາຍໃຕ້ MIT. ເຄິ່ງທີສອງຄືການຕັດສິນໃຈດ້ານການດຳເນີນງານ, ແລະ ໂດຍປົກກະຕິມັນຖືກຕັດສິນໃຈໃຫ້ທ່ານແລ້ວ. ໜ້ານີ້ຄອບຄຸມທັງສອງ: ພື້ນຖານ V4-Pro ແມ່ນຫຍັງ, ຮູບແບບ 3BIT-REAP ຂອງພວກເຮົາເຮັດຫຍັງໃສ່ມັນ, ແລະ "ບໍ່ເຊັນເຊີ" ໝາຍຄວາມວ່າຫຍັງແທ້ເມື່ອພວກເຮົາເວົ້າ.

01"API DeepSeek ບໍ່ເຊັນເຊີ" ໝາຍຄວາມວ່າຫຍັງແທ້

ກົນໄກສອງອັນທີ່ຕ່າງກັນຖືກຈັດຢູ່ພາຍໃຕ້ຄຳດຽວກັນ. ອັນທຳອິດຄືການປັບແຕ່ງທີ່ຝັງຢູ່ໃນນ້ຳໜັກ — ພຶດຕິກຳການປະຕິເສດທີ່ຮຽນຮູ້ໃນລະຫວ່າງ post-training. ອັນທີສອງຄືຊັ້ນຄວບຄຸມຝ່າຍໃຫ້ບໍລິການ: ຕົວຈັດປະເພດແຍກຕ່າງຫາກທີ່ກວດພຣອມຂອງທ່ານກ່ອນໂມເດວຈະເຫັນມັນ ແລະ ຜົນຜະລິດກ່ອນທ່ານຈະເຫັນມັນ, ແລະ ສາມາດຕັດຄຳຕອບກາງປະໂຫຍກໄດ້ບໍ່ວ່າໂມເດວຢາກເວົ້າຫຍັງກໍຕາມ.

ທັງສອງອັນວັດແທກໄດ້, ແລະ ບໍລິການເຈົ້າຂອງ DeepSeek ເອງກໍຖືກວັດແທກແລ້ວ. Promptfoo ໄດ້ລວບລວມຊຸດພຣອມ 1,360 ອັນທີ່ອ່ອນໄຫວທາງການເມືອງ ແລະ ລາຍງານວ່າ R1 ທີ່ DeepSeek ໂຮສເອງປະຕິເສດ ຫຼືຫຼົບຫຼີກ 1,156 ອັນໃນນັ້ນ — ປະມານ 85%. ວຽກທາງວິຊາການໃນຕະກູນດຽວກັນພົບຮູບແບບຄວາມລົ້ມເຫຼວທີ່ຊັດເຈນທີ່ຜູ້ຂຽນເອີ້ນວ່າ ການລະງັບຄວາມຄິດ, ບ່ອນທີ່ຮ່ອງຮອຍການໃຫ້ເຫດຜົນຂອງໂມເດວຢຸດເກືອບທັນທີທີ່ມັນເລີ່ມພິຈາລະນາຫົວຂໍ້ອ່ອນໄຫວ. ການກວດສອບແຍກຕ່າງຫາກທີ່ຕີພິມໃນ Information Sciences ບັນທຶກການລະງັບໃນລະດັບຄວາມໝາຍ: ເນື້ອຫາທີ່ມີຢູ່ໃນຮ່ອງຮອຍການໃຫ້ເຫດຜົນພາຍໃນຂອງໂມເດວ ແຕ່ຖືກຕັດອອກ ຫຼືຂຽນຄືນຢ່າງງຽບໆກ່ອນມັນຮອດຜູ້ໃຊ້. ນັ້ນຄືບັນຫາທີ່ຍາກກວ່າການປະຕິເສດແບບກົງໆ, ຍ້ອນວ່າຄຳຕອບທີ່ຖືກຕັດອອກເບິ່ງຄືກັບຄຳຕອບ.

ສິ່ງທີ່ພວກເຮົາແລ່ນຄືການເຜີຍແຜ່ນ້ຳໜັກເປີດ, ເທິງຮາດແວທີ່ພວກເຮົາດຳເນີນງານເອງ, ໃນສະຫະລັດ, ພາຍໃຕ້ Shannon Lab LLC. ບໍ່ມີຊັ້ນປະຕິເສດຢູ່ໜ້າໂມເດວ ແລະ ບໍ່ມີຕົວກັ່ນຕອງໃສ່ສິ່ງທີ່ກັບຄືນມາ: ພຣອມຂອງທ່ານບໍ່ຖືກຈັດປະເພດຕາມນະໂຍບາຍກ່ອນຈະຖືກໃຫ້ບໍລິການ, ແລະ ຂະແໜງຜົນຜະລິດບໍ່ຖືກກວດຂະນະອອກ. ຍ້ອນວ່າພື້ນຖານໄດ້ຮັບອະນຸຍາດແບບ MIT ແລະ ເປັນສາທາລະນະ, ທ່ານສາມາດປຽບທຽບຜົນຜະລິດຂອງພວກເຮົາກັບນ້ຳໜັກອ້າງອີງເອງໄດ້ ແທນທີ່ຈະເຊື່ອຄຳເວົ້າຂອງພວກເຮົາ.

02ພື້ນຖານ: DeepSeek-V4-Pro, MoE ຂະໜາດ 1.6T

DeepSeek-V4 ຄືຕະກູນນ້ຳໜັກເປີດປັດຈຸບັນຂອງ DeepSeek-AI, ເປີດຕົວທົດລອງໃນເດືອນເມສາ 2026 ແລະ ອອກພາຍໃຕ້ MIT ໃນສອງຂະໜາດ: V4-Flash (ລວມ 284B, ເປີດໃຊ້ 13B) ແລະ V4-Pro (ລວມ 1.6T, ເປີດໃຊ້ 49B). ບົດຄວາມນີ້ກ່ຽວກັບລະດັບ Pro. ທັງສອງຖືກຝຶກມາກ່ອນດ້ວຍປະມານ 33 ລ້ານລ້ານ token ແລະ ທັງສອງຮອງຮັບ context ລະດັບລ້ານ token ໂດຍທຳມະຊາດ.

ອັດຕາສ່ວນຄວາມບາງຄືສິ່ງທີ່ຄວນສັງເກດ: ມີພຽງປະມານ 3% ຂອງພາຣາມິເຕີເທົ່ານັ້ນທີ່ເຮັດວຽກໃນແຕ່ລະ token, ຊຶ່ງເປັນສິ່ງທີ່ເຮັດໃຫ້ໂມເດວຂະໜາດນີ້ໃຫ້ບໍລິການໄດ້. ບລັອກ MoE ເອງຍັງຄົງເປັນ DeepSeekMoE — ຜູ້ຊ່ຽວຊານທີ່ຖືກຈັດເສັ້ນທາງແບບລະອຽດພ້ອມກັບຜູ້ຊ່ຽວຊານທີ່ໃຊ້ຮ່ວມກັນຕະຫຼອດເວລາທີ່ຖືກນຳສະເໜີໃນ V2 — ດ້ວຍການປ່ຽນແປງນ້ອຍໆໃນ V4, ທີ່ເຫັນຊັດເຈນທີ່ສຸດຄືການຈັດເສັ້ນທາງແບບ hash ໃນຊັ້ນທຳອິດ. Multi-Token Prediction, ຈຸດປະສົງເສີມຂອງ V3 ທີ່ຍັງເປີດໃຊ້ speculative decoding, ຖືກຮັກສາໄວ້ໂດຍບໍ່ປ່ຽນແປງ.

ພາກສ່ວນໃໝ່ໃນ V4 ຄືທາງໂຄງສ້າງ. Manifold-Constrained Hyper-Connections (mHC) ແທນທີ່ເສັ້ນທາງ residual ທຳມະດາດ້ວຍເມທຣິກປະສົມທີ່ຮຽນຮູ້ໄດ້ ຖືກຈຳກັດເທິງ manifold ຂອງເມທຣິກ doubly stochastic ຜ່ານ projection ແບບ Sinkhorn–Knopp — ກະແສ residual ທີ່ໃຫ້ນ້ຳໜັກໃໝ່ຕໍ່ input ໂດຍບໍ່ມີການລອຍຄາດເຄື່ອນທາງຕົວເລກທີ່ທຳລາຍໂຄງສ້າງທີ່ເລິກຫຼາຍ. ການຝຶກຍ້າຍອອກຈາກ AdamW ໄປໃຊ້ Muon ສຳລັບໂມດູນສ່ວນຫຼາຍ, ໃຊ້ Newton–Schulz orthogonalization, ໂດຍຮັກສາ AdamW ໄວ້ພຽງສຳລັບ embeddings, prediction heads, normalization ແລະ ພາຣາມິເຕີ mHC ແບບຄົງທີ່. ແລະ ນ້ຳໜັກຂອງຜູ້ຊ່ຽວຊານຖືກຝຶກໃນ FP4 ພ້ອມກັບພາຣາມິເຕີອື່ນສ່ວນຫຼາຍໃນ FP8 — ຮັບຮູ້ quantization ຕັ້ງແຕ່ຕົ້ນ, ຊຶ່ງສຳຄັນຕໍ່ວິທີທີ່ໂມເດວຮັບການບີບອັດເພີ່ມເຕີມໄດ້ຢ່າງລຽບງ່າຍ.

03ຈາກ MLA ຫາ CSA + HCA: DeepSeek ຮັກສາ context ຍາວໃຫ້ຄ່າໃຊ້ຈ່າຍຕ່ຳແນວໃດ

ເສັ້ນທາງຫຼັກຂອງ DeepSeek ຕະຫຼອດສີ່ລຸ້ນບໍ່ແມ່ນຂະໜາດ, ແຕ່ເປັນເສດຖະສາດຂອງ attention. ທຸກລຸ້ນໄດ້ໂຈມຕີ KV cache, ຊຶ່ງເຕີບໃຫຍ່ຂຶ້ນເປັນເສັ້ນຊື່ຕາມ context ແລະ ຄອບຄອງໜ່ວຍຄວາມຈຳຢູ່ຄວາມຍາວທີ່ຍາວ.

• V2 ນຳສະເໜີ Multi-head Latent Attention (MLA) — ການບີບອັດຮ່ວມແບບ low-rank ຂອງ key ແລະ value ໃຫ້ເປັນ vector latent, ດັ່ງນັ້ນການສ້າງຄຳຕອບຈຶ່ງ cache vector ນັ້ນບວກກັບ key RoPE ທີ່ແຍກອອກ ແທນທີ່ຈະເປັນ K ແລະ V ເຕັມຕໍ່ head. DeepSeek ລາຍງານວ່າ KV cache ລົດລົງເຫຼືອປະມານ 4–14% ຂອງ multi-head attention ມາດຕະຖານ, ໂດຍຄຸນນະພາບຄົງໄວ້ ຫຼືດີຂຶ້ນ.
• V3 ຂະຫຍາຍວິທີນັ້ນໄປສູ່ 671B, ເຮັດໃຫ້ MLA ເປັນຂໍ້ສົມມຸດຕິຖານມາດຕະຖານສຳລັບ context ຍາວລາຄາຖືກໃນໂມເດວເປີດ.
• V3.2 ເພີ່ມ DeepSeek Sparse Attention (DSA), ເລືອກຊຸດຍ່ອຍ top-k ຂອງປະຫວັດຕໍ່ query ຜ່ານ indexer ນ້ຳໜັກເບົາ ແທນທີ່ຈະ attend ທຸກຢ່າງ.
• V4 ປະສົມກັນ. Compressed Sparse Attention (CSA) ບີບອັດລາຍການ KV ຂອງທຸກ m token ໃຫ້ເປັນລາຍການດຽວດ້ວຍນ້ຳໜັກທີ່ຮຽນຮູ້ໄດ້ກ່ອນ, ແລ້ວແລ່ນການເລືອກ top-k ແບບ sparse ເໜືອລາຍການທີ່ຖືກບີບອັດເຫຼົ່ານັ້ນ. Heavily Compressed Attention (HCA) ບີບອັດຮຸນແຮງກວ່າຫຼາຍແຕ່ຍັງຄົງ dense ຢູ່ໃນຜົນລັບ. ສອງປະເພດຊັ້ນນີ້ຖືກສະຫຼັບກັນຕະຫຼອດໂຄງສ້າງ, ດັ່ງນັ້ນສະຫຼຸບທົ່ວໂລກລາຄາຖືກ ແລະ ການດຶງຂໍ້ມູນທ້ອງຖິ່ນທີ່ແມ່ນຢຳຈຶ່ງຢູ່ຮ່ວມກັນໄດ້.

ຜົນຕອບແທນທີ່ລາຍງານໄວ້ຢູ່ context ລະດັບລ້ານ token ຄືໂດດເດັ່ນ: V4-Pro ຕ້ອງການພຽງປະມານ 27% ຂອງ FLOPs ການອະນຸມານຕໍ່ token ແລະ 10% ຂອງ KV cache ຂອງ V3.2. ນັ້ນຄືເຫດຜົນທີ່ຄຳຂໍ 262K ເຮັດວຽກຄືຄຳຂໍທຳມະດາ ແທນທີ່ຈະເປັນເຫດການໜ່ວຍຄວາມຈຳ, ແລະ ເປັນເຫດຜົນທີ່ຕົວເລກການດຶງຂໍ້ມູນ context ຍາວຍັງຄົງໄວ້ໄດ້ ແທນທີ່ຈະຫຼົ້ມລົງຫຼັງຈາກ token ຫຼາຍໝື່ນອັນ.

04ຄຳຕໍ່ທ້າຍ 3BIT-REAP ໝາຍຄວາມວ່າຫຍັງ

ລະຫັດແຄຕາລັອກຂອງພວກເຮົາລົງທ້າຍດ້ວຍ 3BIT-REAP, ແລະ ນັ້ນອະທິບາຍຂັ້ນຕອນການບີບອັດອິດສະຫຼະສອງອັນທີ່ນຳໃຊ້ຕາມລຳດັບ.

REAP: ຕັດຜູ້ຊ່ຽວຊານອອກ, ບໍ່ແມ່ນລວມພວກມັນ

REAP ຄື Router-weighted Expert Activation Pruning, ຈາກ Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", ຖືກຮັບຮອງໃຫ້ ICLR 2026. ໃນ MoE ແບບ sparse, router ບໍ່ໄດ້ໃຊ້ຜູ້ຊ່ຽວຊານຂອງມັນຢ່າງເທົ່າທຽມ: ຫາງຍາວໜຶ່ງຖືກເລືອກໜ້ອຍ, ອ່ອນແອ, ຫຼືທັງສອງຢ່າງ. REAP ໃຫ້ຄະແນນແຕ່ລະຜູ້ຊ່ຽວຊານໂດຍປະສົມ ຄ່າ gate ຂອງ router (ເລື້ອຍປານໃດ ແລະ ແຮງປານໃດທີ່ມັນຖືກເລືອກ) ກັບ ບັນທັດຖານການເປີດໃຊ້ຂອງຜູ້ຊ່ຽວຊານ (ຜົນຜະລິດຂອງມັນປະກອບສ່ວນຫຼາຍປານໃດ), ແລ້ວລຶບຜູ້ແພ້ອອກໂດຍກົງ.

ຂໍ້ໂຕ້ແຍ້ງຂອງບົດຄວາມນີ້ຄືການຕັດຊະນະການລວມ: ການລວມສະເລ່ຍລວມຄວາມສະເພາະທາງໜ້າທີ່ທີ່ເຮັດໃຫ້ MoE ຄຸ້ມຄ່າທີ່ຈະສ້າງອອກໄປ, ໃນຂະນະທີ່ການລຶບຜູ້ຊ່ຽວຊານທີ່ router ເກືອບບໍ່ໄດ້ໃຊ້ຮັກສາມັນໄວ້. ໃນໂມເດວຕັ້ງແຕ່ 20B ຫາ 1T, REAP ເຮັດໄດ້ດີກວ່າການລວມ ແລະ ວິທີການ pruning ອື່ນທີ່ແຂ່ງຂັນເທິງເບັນມາກການສ້າງ, ແລະ ຜູ້ຂຽນລາຍງານຜົນລັບເກືອບບໍ່ເສຍຫາຍໃນການສ້າງໂຄດ ແລະ ການເອີ້ນເຄື່ອງມືທີ່ 50% ການຕັດຜູ້ຊ່ຽວຊານເທິງ Qwen3-Coder-480B ແລະ Kimi-K2 — ຊຶ່ງເປັນໂປຣຟາຍວຽກທີ່ຊັດເຈນທີ່ໂມເດວນີ້ຖືກສ້າງມາເພື່ອມັນ.

ນ້ຳໜັກ 3-bit: ລະດັບການບີບອັດສຳລັບພື້ນຖານທີ່ໃຫຍ່ທີ່ສຸດ

ສິ່ງທີ່ຍັງເຫຼືອຢູ່ຈາກນັ້ນຖືກ quantize ໄປສູ່ ນ້ຳໜັກ 3-bit. ສາມ bit ຄືການບີບອັດທີ່ຮຸນແຮງ, ແລະ ພວກເຮົາບໍ່ໄດ້ເຮັດເປັນວ່າມັນບໍ່ແມ່ນ: ໃນທົ່ວໄລນອັບ ພວກເຮົາໃຊ້ W8A16 ບ່ອນທີ່ພື້ນຖານນ້ອຍພໍທີ່ບໍ່ຕ້ອງບີບອັດ, W4A16-AUTOROUND-REAP ຢູ່ລະດັບກາງ, ແລະ 3BIT-REAP ພຽງແຕ່ເທິງພື້ນຖານທີ່ໃຫຍ່ທີ່ສຸດ, ບ່ອນທີ່ມັນຄືຄວາມແຕກຕ່າງລະຫວ່າງການໃຫ້ບໍລິການໂມເດວ ແລະ ບໍ່ໃຫ້ບໍລິການມັນ.

ຄວາມສົມດຸນນີ້ຄຸ້ມຄ່າທີ່ຈະບອກຢ່າງກົງໄປກົງມາ: MoE 1.6T ແບບ 3-bit ບໍ່ຄືກັນທຸກ bit ກັບການເຜີຍແຜ່ອ້າງອີງ, ແລະ ຄ່າໃຊ້ຈ່າຍດ້ານຄຸນນະພາບນ້ອຍໆນັ້ນຄືເລື່ອງຈິງ. ສິ່ງທີ່ທ່ານໄດ້ຮັບຄືພື້ນຖານທີ່ຄວາມສາມາດສູງສຸດແບບບໍ່ບີບອັດຂອງມັນຢູ່ສູງກວ່າສິ່ງໃດກໍຕາມທີ່ພໍດີກັບຄວາມແມ່ນຢຳສູງກວ່າ — ແລະ ຍ້ອນວ່າຜູ້ຊ່ຽວຊານຂອງ V4 ຖືກຝຶກໃນ FP4 ຕັ້ງແຕ່ຕົ້ນ, ໂມເດວຈຶ່ງເຮັດວຽກໄດ້ດີຢ່າງຜິດປົກກະຕິພາຍໃຕ້ການບີບອັດນ້ຳໜັກເພີ່ມເຕີມ. ຖ້າທ່ານຕ້ອງການ DeepSeek ທີ່ບີບອັດເບົາກວ່າ, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP ໃຊ້ນ້ຳໜັກ 4-bit ພ້ອມການເປີດໃຊ້ 16-bit ແລະ ການປັດເສດທີ່ຮຽນຮູ້ໄດ້ຂອງ AutoRound, ເທິງ context 262K ດຽວກັນທີ່ $0.50 ເຂົ້າ / $2.00 ອອກ.

05ການໃຫ້ເຫດຜົນ, ແລະ ໜ້າປັດ reasoning_effort

Post-training ຂອງ V4 ຝຶກຜູ້ຊ່ຽວຊານແຕ່ລະຂົງເຂດແຍກຕ່າງຫາກ — ຄະນິດສາດ, ການຂຽນໂຄດ, ຕົວແທນ, ການປະຕິບັດຕາມຄຳສັ່ງ — ດ້ວຍ SFT ຕາມດ້ວຍ GRPO, ວິທີ Group Relative Policy Optimization ທີ່ DeepSeek ນຳສະເໜີພ້ອມກັບ R1. ຜູ້ຊ່ຽວຊານເຫຼົ່ານັ້ນຈາກນັ້ນຖືກລວມເຂົ້າເປັນໂມເດວດຽວດ້ວຍ on-policy distillation ພາຍໃຕ້ຈຸດປະສົງ reverse-KL, ດັ່ງນັ້ນ checkpoint ດຽວຈຶ່ງມີພຶດຕິກຳລະດັບຜູ້ຊ່ຽວຊານໃນຫຼາຍຂົງເຂດພ້ອມກັນ ແທນທີ່ຈະເປັນຜູ້ຊ່ຽວຊານທົ່ວໄປທີ່ພຽງແຕ່ພໍໃຊ້ໃນທຸກຂົງເຂດ.

ໂມເດວທີ່ເຜີຍແຜ່ອອກມາເປີດເຜີຍໂໝດການຄິດແບບຫຼາຍລະດັບ ແທນທີ່ຈະເປັນສະວິດແບບສອງທາງ. ເທິງເກດເວย์ຂອງພວກເຮົາ ນັ້ນຄືພາຣາມິເຕີ reasoning_effort ມາດຕະຖານ, ໜ້າປັດອັນດຽວທີ່ເປັນປະໂຫຍດທີ່ສຸດຂອງໂມເດວນີ້:

• ຕ່ຳ — ການຕອບແບບກົງເກືອບໝົດ: ການຈັດປະເພດ, ການດຶງຂໍ້ມູນ, ການຂຽນຄືນ, ຫຍັງກໍຕາມທີ່ທ່ານກຳລັງຈ່າຍເງິນສຳລັບຄວາມຮູ້ຂອງໂມເດວ ບໍ່ແມ່ນການພິຈາລະນາຂອງມັນ.
• ກາງ — ໂໝດການເຮັດວຽກມາດຕະຖານສຳລັບການທົບທວນໂຄດ, ການແກ້ໄຂຂໍ້ຜິດພາດ ແລະ ການວິເຄາະຫຼາຍຂັ້ນຕອນ.
• ສູງ — ການພິຈາລະນາຍາວກ່ອນຕອບ. ບ່ອນທີ່ບັນຫາຍາກຖືກແກ້ໄຂ, ແລະ ບ່ອນທີ່ຄ່າໃຊ້ຈ່າຍ token ຜົນຜະລິດຂອງທ່ານຢູ່, ຍ້ອນວ່າ token ການໃຫ້ເຫດຜົນຖືກຄິດເງິນເປັນຜົນຜະລິດ.

ຍ້ອນວ່າບໍ່ມີຊັ້ນປະຕິເສດ, ຮ່ອງຮອຍການໃຫ້ເຫດຜົນຈຶ່ງບໍ່ຖືກຕັດອອກໃນຫົວຂໍ້ອ່ອນໄຫວ — ຮູບແບບການລະງັບຄວາມຄິດທີ່ບັນທຶກໄວ້ໃນບໍລິການເຈົ້າຂອງເອງບໍ່ມີກົນໄກທີ່ຈະເກີດຂຶ້ນຢູ່ນີ້.

06ວຽກຂຽນໂຄດ ແລະ ວຽກແບບຕົວແທນ: ພື້ນຖານໄດ້ຄະແນນຫຍັງ

ນີ້ຄືຕົວເລກທີ່ DeepSeek-AI ເຜີຍແຜ່ເອງສຳລັບການອອກ V4-Pro — ບໍ່ແມ່ນຂອງພວກເຮົາ, ແລະ ບໍ່ໄດ້ວັດແທກເທິງຮູບແບບ quantize ຂອງພວກເຮົາ. ພວກເຮົາສະແດງພວກມັນຍ້ອນວ່າມັນຄືເຫດຜົນທີ່ຊື່ສັດໃນການເລືອກພື້ນຖານນີ້, ແລະ ໝາຍໄວ້ວ່າເປັນຂໍ້ມູນຈາກເຈົ້າຂອງ ເພື່ອທ່ານຈະໃຫ້ນ້ຳໜັກຕາມຄວາມເໝາະສົມ.

ສອງອັນຄວນເວົ້າເຖິງ. SWE-bench Verified ທີ່ 80.6% ຄືການແກ້ໄຂບັນຫາໃນ repository ຈິງ — ການອ່ານໂຄດເບສທີ່ບໍ່ຄຸ້ນເຄີຍ, ຊອກຫາຂໍ້ບົກພ່ອງ, ຜະລິດ patch ທີ່ຜ່ານ test ຂອງໂຄງການເອງ. MRCR ທີ່ໜຶ່ງລ້ານ token (83.5) ຄືການດຶງຂໍ້ມູນອ້າງອີງຮ່ວມຫຼາຍຮອບຢູ່ຄວາມຍາວເຕັມ, ຕົວເລກທີ່ບອກວ່າຄຳອ້າງ context ຍາວບໍ່ແມ່ນພຽງການຕົກແຕ່ງ. DeepSeek ຍັງລາຍງານ ຄະແນນ Codeforces 3206 ສຳລັບໂມເດວ, ແລະ 62.0 ໃນ CorpusQA ຢູ່ context 1M.

ຕົວເລກຂ້າງເທິງແມ່ນຂໍ້ມູນທີ່ DeepSeek-AI ລາຍງານສຳລັບການອອກອ້າງອີງ DeepSeek-V4-Pro. ຮູບແບບ 3BIT-REAP ຂອງພວກເຮົາຄືສະບັບບີບອັດຂອງນ້ຳໜັກເຫຼົ່ານັ້ນ ແລະ ຍັງບໍ່ໄດ້ຖືກເບັນມາກແບບອິດສະຫຼະໃນວຽກເຫຼົ່ານີ້; ຖືເອົາຄະແນນອ້າງອີງເປັນຄວາມສາມາດສູງສຸດຂອງພື້ນຖານ, ບໍ່ແມ່ນການວັດແທກ endpoint ນີ້.

07Context 262K: ຫຍັງພໍດີແທ້

ໂມເດວອ້າງອີງຖືກຝຶກສຳລັບໜຶ່ງລ້ານ token. ພວກເຮົາໃຫ້ບໍລິການ 262,144 — ໜ້າຕ່າງທີ່ທຸກໂມເດວເທິງເກດເວय์ໃຊ້ຮ່ວມກັນ, ດັ່ງນັ້ນການປ່ຽນໂມເດວຈຶ່ງເປັນການປ່ຽນແປງແຖວດຽວ ແລະ ບໍ່ເຄີຍເປັນການຫຼຸດ context. ໃນທາງປະຕິບັດ 262K ຜ່ານຈຸດທີ່ context ຈຳກັດວຽກຈິງສ່ວນຫຼາຍໄປແລ້ວ:

ວຽກ	Token ປະມານ	ພໍດີໃນ 262K ບໍ?
Repository ບໍລິການຂະໜາດກາງ (~50k ແຖວ)	~600K	ບໍ່ — ຕ້ອງເລືອກໂມດູນ
ລະບົບຍ່ອຍດຽວ + test ຂອງມັນ	~60–120K	ພໍດີ, ສະບາຍ
ຊຸດ RFC ຄົບຖ້ວນສຳລັບໂປຣໂຕຄອນໜຶ່ງ	~150K	ພໍດີ
ປຶ້ມເທັກນິກ 700 ໜ້າ	~250K	ພໍດີ, ໃກ້ຂອບເຂດ
ຕົວແທນແລ່ນຍາວ, 40+ ຮອບເຄື່ອງມື	~80–200K	ພໍດີ

ຂອບເຂດທີ່ຄວນວາງແຜນຮອບໆຄືຜົນຜະລິດ: 16,384 token ສູງສຸດຕໍ່ຄຳຕອບ. ນັ້ນຄືເອກະສານຍາວ ຫຼື patch ຫຼາຍໄຟລ໌ຂະໜາດໃຫຍ່, ແຕ່ບໍ່ແມ່ນໂຄດເບສ. ວຽກສ້າງຂະໜາດໃຫຍ່ຖືກເຮັດໂດຍການເຊື່ອມຕໍ່ຄຳຂໍດ້ວຍຜົນຜະລິດກ່ອນໜ້ານີ້ກັບຄືນເຂົ້າໄປໃນ context — ຊຶ່ງໜ້າຕ່າງ 262K ເຮັດໃຫ້ລາຄາຖືກ — ແທນທີ່ຈະຂໍໃຫ້ຄຳຕອບອັນດຽວທີ່ໃຫຍ່ໂພດ.

08ລາຄາ, ແລະ ບ່ອນທີ່ V4-Pro ຢູ່ໃນໄລນອັບ

ດ້ວຍ $1.95 ເຂົ້າ / $3.90 ອອກ ຕໍ່ລ້ານ token, V4-Pro ຄືລະດັບການໃຫ້ເຫດຜົນເຮືອທຸງ — ໂມເດວທີ່ທ່ານໃຊ້ເມື່ອບັນຫາຍາກ. ເມື່ອມັນພຽງແຕ່ໃຫຍ່, ໂມເດວທີ່ຖືກກວ່າເທິງໜ້າຕ່າງ 262K ດຽວກັນຈະເຮັດໄດ້ດ້ວຍໜຶ່ງສ່ວນສີ່ຂອງລາຄາ.

ໂມເດວບໍ່ເຊັນເຊີ	ເຂົ້າ / 1M	ອອກ / 1M	ການເບິ່ງເຫັນ	ເໝາະສຳລັບ
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	ບໍ່ມີ	ການໃຫ້ເຫດຜົນຍາກ, ໂຄດ, ຕົວແທນ
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	ບໍ່ມີ	ຕະກູນດຽວກັນ, ປະລິມານສູງ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	ບໍ່ມີ	ວຽກມ້າໃຊ້ທົ່ວໄປ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	ມີ	ຕົວແທນຫຼາຍໂໝດລະດັບສູງສຸດ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	ມີ	ການເບິ່ງເຫັນລາຄາຖືກທີ່ສຸດ

ຂໍໃຫ້ກົງໄປກົງມາກ່ຽວກັບການປຽບທຽບທີ່ຄົນຈະເຮັດແທ້: API ຂອງ DeepSeek ເອງລາຄາຖືກກວ່ານີ້ — V4-Pro ຈາກເຈົ້າຂອງລົງລາຄາປະມານ $0.435 ເຂົ້າ / $0.87 ອອກ, ແລະ ລາຄາ input ທີ່ຄີ cache ຂອງພວກເຂົາຍັງຕ່ຳກວ່າອີກ. ຖ້າລາຄາຕໍ່ token ຄືເງື່ອນໄຂດຽວຂອງທ່ານ ແລະ ພຶດຕິກຳການຄວບຄຸມບໍ່ມີຜົນຕໍ່ວຽກຂອງທ່ານ, ໃຫ້ໃຊ້ API ຈາກເຈົ້າຂອງ; ພວກເຮົາຢາກບອກທ່ານແບບນັ້ນຫຼາຍກວ່າໃຫ້ທ່ານມາຮູ້ພາຍຫຼັງ. ລາຄາເພີ່ມນີ້ຊື້ຄຸນສົມບັດຊຸດອື່ນ: ບໍ່ມີຊັ້ນປະຕິເສດ ແລະ ບໍ່ມີການກັ່ນຕອງຜົນຜະລິດ, ຜູ້ດຳເນີນງານໃນສະຫະລັດພາຍໃຕ້ Shannon Lab LLC, checkpoint ທີ່ຕິດວັນທີໄວ້ (0813) ດັ່ງນັ້ນການອັບເກຣດຕົ້ນທາງແບບງຽບໆບໍ່ເຄີຍປ່ຽນຜົນຜະລິດຂອງທ່ານກາງໂຄງການ, ພາສາ API ສາມແບບຕໍ່ໂມເດວດຽວ, ແລະ ໜ້າຕ່າງ 262K ດຽວກັນ ແລະ ພື້ນຜິວພາຣາມິເຕີດຽວກັນໃນທົ່ວທັງສິບສອງໂມເດວຂອງໄລນອັບ.

09ການເອີ້ນມັນ: ພາສາສາມແບບ, ໂມເດວດຽວ

ທຸກໂມເດວເທິງເກດເວय์ຕອບໄດ້ໃນທັງສາມ endpoint, ດ້ວຍການສະຕຣີມໃນແຕ່ລະອັນ. ທ່ານບໍ່ຕ້ອງໃຊ້ SDK ໃໝ່ — ທ່ານພຽງແຕ່ປ່ຽນ base URL ແລະ model 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 — ພາສາ OpenAI; ໃຊ້ໄດ້ກັບ SDK ຂອງ OpenAI ແລະ ຫຍັງກໍຕາມທີ່ສ້າງເທິງພວກມັນ.
• /v1/messages — ພາສາ Anthropic, ສຳລັບໂຄດເບສທີ່ຂຽນຕາມຮູບແບບນັ້ນຢູ່ແລ້ວ.
• /v1/responses — interface ແບບ Responses.

ຮັບຮອງເທິງໂມເດວນີ້: ການສະຕຣີມ, ການເອີ້ນເຄື່ອງມືແບບຮອງຮັບພື້ນຖານ, ຜົນຜະລິດ json_schema ແບບເຂັ້ມງວດ, response_format, ແລະ reasoning_effort. ເອກະສານພາຣາມິເຕີເຕັມ ແລະ playground ຈິງຢູ່ໃນ ເອກະສານ API.

10ຂໍ້ຈຳກັດຢ່າງຊື່ສັດ

ສີ່ຢ່າງທີ່ຄວນຮູ້ກ່ອນທ່ານຈະສ້າງເທິງມັນ:

• ບໍ່ມີການເບິ່ງເຫັນ. ຂໍ້ຄວາມເທົ່ານັ້ນ; ມັນຈະບໍ່ຮັບ input ຮູບພາບເທິງ endpoint ໃດເລີຍ. ຖ້າທ່ານຕ້ອງການໂມເດວບໍ່ເຊັນເຊີທີ່ເບິ່ງເຫັນ, ໃຫ້ໃຊ້ Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ຫຼື inkling.
• ເພດານຜົນຜະລິດ 16,384 token. Token ການໃຫ້ເຫດຜົນຖືກນັບເຂົ້າໃນນັ້ນທີ່ຄວາມພະຍາຍາມສູງ, ດັ່ງນັ້ນການພິຈາລະນາຍາວຈຶ່ງເຫຼືອພື້ນທີ່ໜ້ອຍລົງສຳລັບຄຳຕອບ. ເຊື່ອມຕໍ່ຄຳຂໍສຳລັບວຽກສ້າງຂະໜາດໃຫຍ່.
• 3-bit ຄືການບີບອັດຈິງ. ຄະແນນອ້າງອີງອະທິບາຍພື້ນຖານ, ບໍ່ແມ່ນຮູບແບບນີ້. ສຳລັບລະດັບຄວາມແມ່ນຢຳສູງສຸດ, ໂມເດວ W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) ມີ quantization ໜ້ອຍທີ່ສຸດ.
• ບໍ່ເຊັນເຊີບໍ່ໄດ້ໝາຍຄວາມວ່າບໍ່ມີຜົນຕາມມາ. ບໍ່ມີຊັ້ນປະຕິເສດໝາຍຄວາມວ່າຄວາມຮັບຜິດຊອບຕໍ່ສິ່ງທີ່ທ່ານຖາມ, ແລະ ສິ່ງທີ່ທ່ານເຮັດກັບຄຳຕອບ, ຢູ່ກັບທ່ານ — ພາຍໃຕ້ເງື່ອນໄຂການໃຫ້ບໍລິການຂອງພວກເຮົາ ແລະ ກົດໝາຍບ່ອນທີ່ທ່ານດຳເນີນງານ.

11ຄຳຖາມທີ່ພົບເລື້ອຍ

---

ແຫຼ່ງຂໍ້ມູນ: DeepSeek-AI — ບັດໂມເດວ DeepSeek-V4-Pro · ບົດລາຍງານເທັກນິກ DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · ບົດລາຍງານເທັກນິກ DeepSeek-V3 · REAP the Experts (Cerebras Research) · ການກວດສອບການເຊັນເຊີຂອງ Promptfoo · Discovering Forbidden Topics in Language Models. ຕົວເລກເບັນມາກແມ່ນຂໍ້ມູນທີ່ DeepSeek-AI ລາຍງານສຳລັບການອອກອ້າງອີງ; ການຢັ້ງຢືນອິດສະຫຼະຈາກພາຍນອກສຳລັບຮູບແບບບີບອັດຍັງລໍຖ້າຢູ່. ລາຄາຄືລາຄາແຄຕາລັອກຂອງ Shannon AI ນັບຮອດວັນທີ 5 ກັນຍາ 2026.