Necenzūruotas DeepSeek Flash API

Dauguma komandų, vertinančių LLM API, optimizuoja ne tą kintamąjį. Jos testuoja su dvidešimt sunkiausių užklausų, kokias tik sugalvoja, išsirenka nugalėtoją, o po šešių savaičių atranda, kad devyniasdešimt penki procentai jų srauto yra trumpas, struktūrizuotas, pasikartojantis darbas, kurį lygiai taip pat būtų atlikęs keturis kartus pigesnis modelis. DeepSeek-V4-Flash egzistuoja būtent tiems devyniasdešimt penkiems procentams. Šis puslapis apie tai, kaip atpažinti, kada esate juose — ir kada ne.

01Ką iš tikrųjų gaunate

Savybė	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Modelio id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekstas / didžiausia išvestis	262 144 žetonai / 16 384 žetonai
Kaina už 1 mln. (įvestis / išvestis)	$0.50 / $2.00
Srautinis perdavimas · įrankių iškvietimas · samprotavimas	Taip — visuose trijuose dialektuose
Struktūrizuota išvestis	json_schema ir response_format
Vaizdų įvestis (rega)	Ne — tik tekstas
Atsisakymo sluoksnis / išvesties filtras	Nėra
Teikiamas	Shannon pačios GPU klasteryje

Tuos pačius svorius pasiekia trys API dialektai: /v1/chat/completions (OpenAI formos), /v1/messages (Anthropic formos) ir /v1/responses. Srautinis perdavimas veikia visuose trijuose. Visa parametrų nuoroda yra API dokumentacijoje.

02Iš kur jis kilęs: DeepSeek linija

DeepSeek-AI penkias modelių kartas skyrė vienai idėjai fiks: išgauti pažangią elgseną iš modelio, kurį pigu aptarnauti, o ne vien pigu apmokyti. Beveik kiekvienas linijos architektūrinis sprendimas kyla iš to, o svarbiausi yra paskelbti. Trys iš jų paaiškina, ką kviečiate, kai kreipiatės į šį galinį tašką.

DeepSeekMoE — smulkūs ekspertai plius vienas bendras

Ekspertų mišinio sluoksnis vieną didelį tiesioginio sklidimo tinklą pakeičia daugybe mažesnių ir maršrutizatoriumi, kuris kiekvienam žetonui parenka saujelę jų. DeepSeek variantas ekspertus dalija smulkiau nei įprasta aštuonių ekspertų schema, todėl tas pats aktyvuotų FLOP kiekis perka kur kas kombinatoriškai specifiškesnį mišinį, ir jis išskiria bendrą ekspertą, per kurį eina kiekvienas žetonas, kad bendros žinios nebūtų perteklinai išmokstamos iš naujo kiekviename specialiste. DeepSeek-V3 tai pateikė kaip 256 maršrutizuojamus ekspertus plius 1 bendrą, aktyvuojant 8 maršrutizuojamus vienam žetonui — 671 mlrd. viso parametrų, 37 mlrd. aktyvių — kartu su apkrovos balansavimu be pagalbinių nuostolių: vietoj baudos nario, gadinančio kokybę, kiekvieno eksperto poslinkis kiekviename žingsnyje pakelia arba nuleidžia maršrutizavimo įverčius pagal tai, ar tas ekspertas nepakankamai, ar per daug apkrautas.

MLA — dėmesys, telpantis į atmintį

Kita aptarnavimo sąnaudų problemos pusė yra KV podėlis, kuris auga tiesiškai su kontekstu ir prie ilgų sekų dominuoja atmintyje. Daugiagalvis latentinis dėmesys, pristatytas DeepSeek-V2, raktus ir reikšmes bendrai suglaudina į mažo rango latentinį vektorių ir podėlyje laiko jį, o naudotinus K/V atkuria skrydžio metu. Paskelbti DeepSeek V2 skaičiai, palyginti su ankstesniu tankiu DeepSeek 67B, rodo 93,3 % KV podėlio sumažėjimą ir 5,76× didesnį didžiausią generavimo pralaidumą. Būtent todėl 262K žetonų langas šioje šeimoje yra savaime suprantamas dalykas, o ne priedas už papildomą kainą.

Retas dėmesys — ir precedentas pigiems žetonams

V3.2-Exp pridėjo DeepSeek Sparse Attention: lengvas indeksatorius įvertina konteksto žetonus pagal užklausą, o atrankiklis palieka tik geriausiai įvertintus. Įdomiausia dalis yra kvitas, o ne mechanizmas. DeepSeek paskelbė palyginimą su V3.1-Terminus: MMLU-Pro vienodas ties 85,0, AIME 2025 aukštyn (88,4 → 89,3), SWE-bench Verified nežymiai žemyn (68,4 → 67,8) — iš esmės plokščia kokybė — ir tą pačią dieną sumažino savo API kainas daugiau nei 50 %. Architektūra, sąžiningai aprašyta, tiesiogiai virstanti kaina. Flash yra tas pats argumentas, nueitas dar vienu žingsniu toliau.

V4 karta

V4, pristatytas peržiūrai 2026 m. balandį pagal MIT licenciją, dėmesio krūvą vėl pakeičia suglaudinto reto dėmesio ir stipriai suglaudinto dėmesio hibridu, mokosi Muon optimizatoriumi ant daugiau nei 32 trln. žetonų ir išlaiko V3 kelių žetonų prognozavimo tikslą — kuris kartu veikia kaip spekuliatyvus dekodavimas ir kurį DeepSeek V3 modelyje išmatavo ties 85–90 % antrojo žetono priėmimo dažniu, duodančiu maždaug 1,8× dekodavimo pagreitį. V4 santraukoje pranešama, kad V4-Pro veikia su 27 % V3.2 vieno žetono išvedimo FLOP ir 10 % jo KV podėlio. Šeima atveria tris samprotavimo intensyvumo lygius, į kuriuos ir atvaizduojamas mūsų reasoning_effort parametras.

Šaltiniai: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 techninė ataskaita (arXiv 2412.19437) · DeepSeek-V3.2-Exp modelio kortelė · DeepSeek-V4 (arXiv 2606.19348). Visus skaičius pateikė DeepSeek.

03Ką iš tikrųjų reiškia „Flash“

Būtent čia dauguma palyginimų klysta, todėl verta pasakyti tiesiai: DeepSeek Flash nėra kvantuotas, nugenėtas ar distiliuotas Pro. Tai atskirai apmokytas, mažesnis ekspertų mišinio modelis su savu pirminio mokymo vykdymu. V4 peržiūros straipsnyje pateikti abu dydžiai:

Skaičiai iš DeepSeek-V4 peržiūros straipsnio. Oficialūs kontroliniai taškai, kuriuos teikiame — V4-Flash-0731 ir V4-Pro-0813 — savo modelių kortelėse nurodo šiek tiek didesnius bendrus skaičius: 304 mlrd. ir 1,7 trln.; aktyvuotų parametrų toms versijoms DeepSeek iš naujo nenurodo.

Čia darbą atlieka du skaičiai. Bendras parametrų skaičius nulemia atminties pėdsaką, o šis sprendžia, kiek įrangos užima viena modelio kopija. Aktyvuoti parametrai nulemia aritmetiką vienam žetonui, o ši sprendžia pralaidumą. Flash pagal pirmąjį yra maždaug 5,6× mažesnis, o pagal antrąjį 3,8× mažesnis — ir tame tarpe slypi verta pastebėti subtilybė: Flash aktyvuoja 13 iš 284 milijardų parametrų, apie 4,6 %, o Pro — 49 iš 1 600 milijardų, apie 3,1 %. Flash yra mažiau retas modelis. Tai ne tiesiog Pro su mažiau įjungtų ekspertų; tai tankesnė, kitaip subalansuota konstrukcija, kiekvienam gaminamam žetonui išleidžianti didesnę savo dalį. Tai tikras inžinerinis pasirinkimas, o ne nuvertinimas.

Ką sako pačios DeepSeek reikšmės

Abi oficialios modelių kortelės skelbia balus tuose pačiuose agentiniuose ir programinės įrangos inžinerijos etalonuose, o tai daro palyginimą neįprastai švarų — ta pati laboratorija, ta pati vertinimo sąranka, du dydžiai:

Etalonas (DeepSeek pateikti)	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 laimi kiekvieną eilutę. Tokia yra sąžininga antraštė, ir verčiau perskaitykite ją čia, nei atrastumėte gamyboje. Bet skaitykite skirtumus, nes būtent juos ir perkate. Terminal Bench 2.1 teste atotrūkis yra 5,2 punkto modeliui, turinčiam dvidešimt penkis kartus mažiau parametrų; įrankių naudojime — 3,8 punkto. Atotrūkis platėja ten, kur darbas giliausias: 8,3 punkto DeepSWE, 7,3 NL2Repo, o abu šie testai apdovanoja tęstinį kelių žingsnių kodo samprotavimą. Tokia yra mainų forma vienoje lentelėje: Flash apibrėžtose užduotyse įveikia beveik visą atstumą ir užleidžia atviro pobūdžio užduotyse.

Pačios DeepSeek Flash kortelė sako dar aštriau: Flash-0731 pranoksta V4-Pro peržiūrą nurodytuose etalonuose, nepaisant kur kas mažesnio aktyvuotų parametrų skaičiaus. Naujesnis mažas modelis, nugalintis senesnį didelį, šioje srityje yra normali padėtis, ir kaip tik dėl to „didesnė pakopa“ niekada neturėtų būti jūsų numatytasis atsakymas.

04Kaip skaityti priesagą: W4A16-AUTOROUND-REAP

Mūsų modelių id garsiai įvardija savo glaudinimo schemą, nes būtent ji labiausiai veikia išvesties kokybę ir beveik niekas jos neatskleidžia. Ši išsiskaido į tris teiginius.

W4A16 — 4 bitų svoriai, 16 bitų aktyvacijos

Svoriai saugomi po 4 bitus; aktyvacijos teka 16 bitų tikslumu. Tai tik svorių kvantavimas, ir jis taikosi į tikrąjį žetonų generavimo siaurąjį kaklelį, kuris yra atminties pralaidumas, o ne aritmetika. Kvantuojant ir aktyvacijas gautume šiek tiek daugiau greičio ir rizikuotume kur kas didesniu tikslumo nuokriu; palikti jas 16 bitų yra konservatyvus, aukštos ištikimybės pasirinkimas. Žymėjimas yra aptarnavimo ekosistemos trumpinys — kvantavimo literatūra tą patį rašo kaip W4 su grupės dydžiu.

AUTOROUND — išmoktas apvalinimas, o ne apvalinimas iki artimiausio

Naivus kvantavimas kiekvieną svorį apvalina iki artimiausios pavaizduojamos reikšmės. Tai akivaizdžiai nėra optimalu: apvalinus vieną svorį „ne ta“ kryptimi galima panaikinti kaimynų įneštą klaidą, o esant milijardams svorių tokios sąveikos dominuoja. AutoRound iš Intel patį apvalinimo sprendimą traktuoja kaip išmokstamą dalyką — apmokomą kiekvieno svorio perturbaciją, apribotą ±0,5, kaip tik tiek, kad būtų galima apversti bet kurį vieną apvalinimo sprendimą ir ne daugiau, plius išmokstamus ribojimo intervalus, optimizuojamus ženkliniu gradientiniu nusileidimu pagal blokinį išvesties atkūrimo tikslą nedidelėje kalibravimo aibėje. Du šimtai žingsnių — ir baigta.

Pagal Intel paskelbtus palyginimus AutoRound pranoksta GPTQ 30 iš 32 tirtų scenarijų, AWQ 27 iš 32 ir OmniQuant 29 iš 32 esant tik svorių 4 bitų nustatymams, o pranašumas prieš naivų apvalinimą iki artimiausio ties 2 bitais siekia nuo 6,9 iki 33,2 tikslumo punkto. Išvedimo metu tai nieko nekainuoja: tai geresnis skaičių parinkimas, atliktas vieną kartą, ne realiu laiku.

REAP — ekspertų, į kuriuos niekas nemaršrutizuoja, pašalinimas

REAP (maršrutizatoriumi svertinis ekspertų aktyvacijos genėjimas) iš Cerebras Systems ir Kalgario universiteto yra vieno žingsnio glaudinimas MoE modeliams. Jis kiekvienam ekspertui skiria įvertį pagal tai, kaip stipriai ir kaip dažnai maršrutizatorius į jį kreipiasi, padaugintą iš to eksperto išvesties dydžio, o paskui mažiausiai svarbius ekspertus pašalina visiškai — be jokio papildomo apmokymo.

Pagrindinė straipsnio išvada yra ta naudingoji: prie didelių glaudinimo santykių ekspertų genėjimas pranoksta jų liejimą. Funkciškai skirtingų ekspertų liejimas sukelia tai, ką autoriai vadina funkcinės poerdvės kolapsu — maršrutizatorius netenka smulkios, nuo įvesties priklausančios kontrolės, dėl kurios MoE apskritai vertėjo statyti, ir jam lieka manevruoti tarp statinių vidurkių. Jų skaičiai modeliuose nuo 20 mlrd. iki 1 trln. parametrų: esant 25 % ekspertų glaudinimui programavimo užduotyse REAP praranda 2,8 % vidutinio tikslumo, o liejimo atskaitos taškai — daugiau nei 5 %; esant 50 % REAP praranda 8,0 %, o liejimas — daugiau nei 20 %. Su Qwen3-Coder-480B esant 50 % genėjimui kritimas yra 1,4 %, palyginti su 39,3 % naiviam dažniu grįstam genėjimui. Cerebras paskelbė REAP kontrolinius taškus, be kitų, ir DeepSeek linijai.

Kodėl čia 4 bitai, o Pro — 3

Abi pakopos turi tilpti ir išlikti greitos toje pačioje įrangos klasėje. Pro neša 1,7 trilijono parametrų, todėl jam apskritai sutilpti reikia agresyvesnio 3 bitų apdorojimo. Flash neša maždaug 300 milijardų, todėl jam to nereikia — o sutaupytas bitas išleidžiamas ištikimybei, o ne sutilpimui.

Tas papildomas bitas svarbesnis, nei rodo aritmetika, nes kvantavimo žala nėra tiesinė. AWQ straipsnio WikiText-2 matavimuose Llama-2-7B nuo 5,47 perplekso ties FP16 pereina į 5,60 ties 4 bitais — 2,4 % bauda — bet į 6,24 ties 3 bitais, jau 14 % bauda. Tai maždaug šešis kartus didesnis pablogėjimas už 25 % didesnį glaudinimą, ir tas pats dėsningumas galioja ties 70 mlrd. GPTQ straipsnis dar tiesmukesnis: ties 3 bitais naivus apvalinimas iki artimiausio 175 mlrd. klasės modeliuose subyra iki tūkstančių perplekso vienetų, o ties 4 bitais lieka visiškai naudojamas. Žemiau keturių bitų geras kvantavimo algoritmas nustoja būti malonumu ir tampa vieninteliu dalyku, laikančiu modelį kartu.

Taigi sąžiningas šių dviejų priesagų skaitymas toks: Flash yra arčiau savo paties nesuglaudintos versijos, nei Pro yra arti savosios. Pro vis tiek stipresnis modelis — tai išsprendžia aukščiau esanti etalonų lentelė. Jis tiesiog atidavė daugiau, kad čia atsidurtų, o jūs už tą privilegiją mokate.

Šaltiniai: 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. Perplekso reikšmės iš AWQ (arXiv 2306.00978) ir GPTQ (arXiv 2210.17323).

05Flash prieš Pro galiniame taške

03 skyrius apėmė pagrindus. Štai kaip abi pakopos atrodo kaip produktai mūsų vartuose:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantavimas	W4A16-AUTOROUND-REAP	3BIT-REAP
Svorių tikslumas	4 bitai, išmoktas apvalinimas	3 bitai
Pagrindas (viso / aktyvūs)	~304B / 13B	~1.7T / 49B
Įvestis už 1 mln. žetonų	$0.50	$1.95
Išvestis už 1 mln. žetonų	$2.00	$3.90
Kontekstas / didžiausia išvestis	262 144 / 16 384	262 144 / 16 384
Įrankiai · struktūrizuota išvestis · srautinis perdavimas	Taip	Taip
Rega	Ne	Ne
Atsisakymo sluoksnis	Nėra	Nėra

Atkreipkite dėmesį, kas nesikeičia: kontekstas, išvesties lubos, įrankių iškvietimas, struktūrizuota išvestis ir atsisakymo sluoksnio nebuvimas yra vienodi. Juda tik pagrindas, kvantavimas ir kaina. Todėl perjungimas tarp jų yra vienos eilutės pakeitimas jūsų kode ir grynai ekonominis sprendimas jūsų architektūroje.

Kiek kainuoja vienas didžiausio dydžio kvietimas

Užpildykite visą 262 144 žetonų kontekstą ir paimkite pilną 16 384 žetonų išvestį:

Kainoraščio kainomis. Flash: $0.131 įvestis + $0.033 išvestis. Pro: $0.511 + $0.064. Santykis 3,51×. Flash taip pat dalijasi $0.50 / $2.00 grindimis su MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ir Hy3 — visame kataloge pažiūrėkite, kuo jie skiriasi rega ir struktūrizuota išvestimi.

06Srautų aritmetika, išnagrinėta

„3,9× pigiau“ tiesa tik įvestyje. Išvestyje Flash pigesnis 1,95×. Todėl tikroji jūsų santaupa priklauso nuo įvesties ir išvesties santykio, o sklaida pakankamai plati, kad keistų projektavimo sprendimus. Keturi realistiški darbo krūviai, kiekvienas po 100 000 užklausų:

Darbo krūvis	Įvestis / išvestis kvietimui	Flash	Pro	Santaupa
Užklausų klasifikavimas	1,200 / 120	$84	$281	3.3×
RAG klausimų atsakymas	8,000 / 600	$520	$1,794	3.4×
Ilgo dokumento santrauka	60,000 / 1,500	$3,300	$12,285	3.7×
Sintetinių duomenų generavimas	500 / 2,000	$425	$878	2.1×

Dėsningumas toks: kuo daugiau konteksto stumiate ir kuo mažiau teksto generuojate, tuo daugiau Flash jums sutaupo. Paieškos konvejeriai, dokumentų rūšiavimas, žurnalų ir stenogramų analizė bei ilgo konteksto ištraukimas yra saldžioji vieta — juose įvestis dominuoja eile didesniu mastu, o būtent įvestyje gyvena 3,9× nuolaida. Jei jūsų darbo krūvis, priešingai, yra trumpa užklausa, gaminanti tūkstančius žetonų prozos, atotrūkis susitraukia iki maždaug 2×, o gebėjimų argumentas Pro naudai atitinkamai sustiprėja.

Dar viena aritmetikos dalis, kurią verta įsisąmoninti: prie $0.50 už milijoną įvesties žetonų visą 262 144 žetonų langą užpildyti kainuoja 13,1 cento. Prie tokios kainos ilgo konteksto užklausos nustoja būti biudžeto klausimu, o tai kartais reiškia, kad paieškos sluoksnio galite visai nestatyti ir leisti darbą atlikti konteksto langui — inžinerinė santaupa ant žetonų santaupos.

07Ką čia tiksliai reiškia „necenzūruotas“

Žodis vartojamas laisvai, todėl štai mūsų apibrėžimas, suformuluotas kaip galinio taško savybė: prieš modelį nestovi joks atsisakymo klasifikatorius ir jo išvesčiai netaikomas joks turinio filtravimas. Niekas nepagauna užklausos ir negrąžina konservuoto atsisakymo; niekas netikrina užbaigimo ir jo neredaguoja. Didelės apimties gamybiniame darbe pasekmės mažiau dramatiškos ir naudingesnės, nei rodo pats žodis:

• Jokių klaidingų teigiamų nekaltame sraute. Filtruoti galiniai taškai reguliariai atmeta medicinines santraukas, saugumo apžvalgas, teisinę atskleidimo medžiagą, grožinę literatūrą, žalos mažinimo medžiagą ir patį moderavimo darbą — kaip tik tas kategorijas, kuriose paketinė užduotis apdoroja tekstą apie jautrią temą, o ne gamina ką nors žalingo. Prie šimto tūkstančių užklausų vieno procento klaidingų atsisakymų dažnis yra tūkstantis sugadintų eilučių.
• Deterministinės sutartys. Paprašykite json_schema atsakymo ir gausite schemą atitinkantį JSON, o ne atsiprašymo pastraipą ten, kur turėtų būti objektas. Jūsų analizatoriui nereikia atsisakymo šakos, o pakartojimo logikai nereikia atskirti perdavimo klaidos nuo politikos klaidos.
• Politika yra jūsų. Tokie mainai. Jei jūsų produktui reikia apsaugų galutiniams naudotojams, statote jas savo sluoksnyje, kur pažįstate savo naudotojus ir savo jurisdikciją, užuot paveldėję tiekėjo spėjimus apie abu. Jūsų paskyrai ir toliau taikoma mūsų Atsakingo naudojimo politika.

Necenzūruotas nėra tas pat, kas nesuderintas ar nepaslaugus. Modelis vis tiek vykdo nurodymus ir vis tiek paiso sisteminės užklausos. Jei norite, kad jis atsisakytų tam tikrų kategorijų jūsų naudotojams, taip ir parašykite — tą nurodymą dabar rašote jūs, o ne mes jį primetame.

08Galimybės ir sąžiningos ribos

Didelės apimties darbe daugiausia sveria dvi galimybės. Griežta json_schema išvestis paverčia užbaigimą duomenų bazės eilute be analizavimo sluoksnio ir be atsisakymo šakos. Įrankių iškvietimas visuose trijuose dialektuose daro Flash protingu varikliu pigiems agento poetapiams, kai jo aukščiausio lygio planuotojas veikia stipresniu modeliu. Pridėkite reasoning_effort, leidžiantį papildomus žetonus išleisti tik tai srauto daliai, kuriai jų reikia, ir 262 144 žetonų kontekstą, identišką Pro kontekstui — rinkdamiesi pigią pakopą konteksto neprarandate, o tai neįprasta.

Ribos ne mažiau konkrečios:

• Jokios regos. Flash yra tik tekstinis ir atmes vaizdų dalis pranešime. Vaizdams su necenzūruotu modeliu už tas pačias $0.50 / $2.00 grindis variantai su rega yra MiniMax-M3 ir MiMo-V2.5; Kimi-K2.6 ir Kimi-K3 yra stipresni regos modeliai virš tos pakopos.
• Ne kopėčių viršus. Pačios DeepSeek reikšmės Pro iškelia į priekį kiekviename paskelbtame agentiniame etalone, o atotrūkis didžiausias tęstiniame kelių žingsnių kodo samprotavime. Ten, kur vienas neteisingas atsakymas kainuoja daugiau nei tūkstantis pigių, išleiskite papildomus $1.45 už milijoną DeepSeek-V4-Pro modeliui.
• 16 384 išvesties žetonai vienai užklausai. Ilgus generavimus reikia skaidyti per kelis kvietimus. Tokios pačios lubos galioja kiekvienam mūsų teikiamam modeliui, ir jos suveikia gerokai anksčiau nei konteksto langas.

09Kaip jį kviesti

Nukreipkite bet kurį su OpenAI suderinamą klientą į vartus ir pakeiskite modelio eilutę. Niekas kitas jūsų sistemoje judėti neturi.

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
        }
      }
    }
  }'

Tas pats modelio id nepakitęs veikia ir /v1/messages, ir /v1/responses, o tai greičiausias būdas A/B būdu išbandyti pigesnį modelį po esama integracija neperrašant kliento. Parametrai, srautinio perdavimo įvykių formos, įrankių iškvietimo schemos ir dažnio ribos aprašyti API nuorodoje; kiekvienas katalogo modelis surašytas Shannon tyrimuose.

10Dažnai užduodami klausimai

---

Šaltiniai: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 techninė ataskaita (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731 ir DeepSeek-V4-Pro-0813 modelių kortelės · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Visus pagrindo ir etalonų skaičius paskelbė atitinkami jų autoriai; Shannon AI kainos ir teikiamas kontekstas yra mūsų pačių kainoraščio reikšmės, galiojančios 2026 m. rugsėjį.