Нецензурираното DeepSeek API

Луѓето што доаѓаат по фразата „нецензурирано DeepSeek API“ сакаат едно определено нешто: модел со способноста за размислување и код на DeepSeek што одговара на прашањето што навистина го поставиле. Половината со способноста е добро документирана — DeepSeek-AI ја објави архитектурата и бројките, а тежините се на Hugging Face под MIT. Втората половина е одлука за работењето и обично ја носат наместо тебе. Оваа страница ги покрива и двете: што е фундаментот V4-Pro, што му прави нашата верзија 3BIT-REAP и што точно значи „нецензурирано“ кога ние го кажуваме.

01Што всушност значи „нецензурирано DeepSeek API“

Под истиот збор се подведуваат два различни механизми. Првиот е усогласувањето вградено во тежините — однесување на одбивање научено при пост-тренирањето. Вториот е слој за модерација на страната на послужувањето: одделен класификатор што го прегледува твојот промпт пред моделот да го види и излезот пред ти да го видиш, и што може да пресече одговор среде реченица без оглед на тоа што сакал да каже моделот.

И двата се мерливи, а сопствената услуга на DeepSeek е мерена. Promptfoo состави сет од 1.360 политички чувствителни прашања и објави дека хостираниот R1 на DeepSeek одбил или свртел настрана 1.156 од нив — приближно 85%. Академска работа врз истото семејство најде посебен режим на откажување што авторите го нарекоа потиснување на мислата, каде што трагата на расудување на моделот завршува речиси штом почне на чувствителна тема. Одделна ревизија објавена во Information Sciences документираше потиснување на семантичко ниво: содржина присутна во внатрешното расудување на моделот што тивко се испушта или се препишува пред да стигне до корисникот. Тоа е потежок проблем од отворено одбивање, затоа што скратен одговор изгледа како одговор.

Она што ние го водиме е изданието со отворени тежини, на хардвер со кој ние ракуваме, во Соединетите Држави, под Shannon Lab LLC. Нема слој за одбивање пред моделот и нема филтер врз она што се враќа: твојот промпт не се класифицира по политика пред да биде послужен, а излезниот тек не се прегледува на излегување. Бидејќи фундаментот е под MIT лиценца и е јавен, можеш сам да ги споредиш нашите излези со референтните тежини наместо да ни веруваш на збор.

02Фундаментот: DeepSeek-V4-Pro, MoE од 1,6 трилиони

DeepSeek-V4 е тековното семејство со отворени тежини на DeepSeek-AI, претставено во април 2026 година и објавено под MIT во две големини: V4-Flash (284 милијарди вкупно, 13 милијарди активирани) и V4-Pro (1,6 трилиони вкупно, 49 милијарди активирани). Овој текст е за нивото Pro. Двата се претходно тренирани на приближно 33 трилиони токени и двата родно поддржуваат контекст од милион токени.

Односот на реткост е тоа што вреди да се забележи: само околу 3% од параметрите се палат на кој било даден токен, а тоа е она што воопшто прави модел вака голем да биде послужлив. Самиот MoE блок сè уште е DeepSeekMoE — фино разложените рутирани експерти плус секогаш вклучените споделени експерти воведени во V2 — со само мали промени во V4, највидливо хеш-рутирање во најраните слоеви. Multi-Token Prediction, помошната цел од V3 што овозможува и спекулативно декодирање, е задржана непроменета.

Новите делови во V4 се структурни. Manifold-Constrained Hyper-Connections (mHC) ја заменуваат обичната резидуална патека со научена матрица на мешање ограничена на многуобразието од двојно стохастички матрици преку Sinkhorn–Knopp проекција — резидуален тек што се преоценува според влезот без нумеричкото лизгање што ги убива многу длабоките стекови. Тренирањето се премести од AdamW на Muon за повеќето модули, со Newton–Schulz ортогонализација, а AdamW е задржан само за вградувањата, главите за предвидување, нормализацијата и статичките mHC параметри. Тежините на експертите се тренираат во FP4, а повеќето други параметри во FP8 — свесни за квантизацијата од самиот почеток, што е важно за тоа колку љубезно моделот поднесува понатамошна компресија.

03Од MLA кон CSA + HCA: како DeepSeek го држи долгиот контекст евтин

Нишката низ четирите генерации на DeepSeek не е големината, туку економијата на вниманието. Секоја верзија го напаѓа KV кешот, кој расте линеарно со контекстот и ја доминира меморијата на големи должини.

• V2 го воведе Multi-head Latent Attention (MLA) — нискорангова заедничка компресија на клучевите и вредностите во латентен вектор, така што генерирањето го кешира тој вектор плус одвоен RoPE клуч наместо цели K и V по глава. DeepSeek објави пад на KV кешот на приближно 4–14% од стандардното повеќеглаво внимание, со задржан или подобрен квалитет.
• V3 го скалираше тоа на 671 милијарда, правејќи го MLA стандардна претпоставка за евтин долг контекст кај отворените модели.
• V3.2 додаде DeepSeek Sparse Attention (DSA), избирајќи top-k подмножество од историјата по прашање преку лесен индексатор наместо да внимава на сè.
• V4 хибридизира. Compressed Sparse Attention (CSA) прво ги компресира KV записите на секои m токени во еден запис со научени тежини, а потоа врши ретка top-k селекција врз тие компресирани записи. Heavily Compressed Attention (HCA) компресира далеку поагресивно, но останува густо врз резултатот. Двата типа слоеви се преплетени низ стекот, па евтината глобална рекапитулација и прецизното локално пронаоѓање постојат заедно.

Објавениот добиток при контекст од милион токени е впечатлив: на V4-Pro му требаат околу 27% од FLOP-овите за заклучување по токен и 10% од KV кешот на V3.2. Затоа барање од 262K се однесува како обично барање, а не како меморискиот настан, и затоа бројките за пронаоѓање во долг контекст се држат наместо да се распаднат по неколку десетици илјади токени.

04Што значи наставката 3BIT-REAP

Идентификаторот во нашиот каталог завршува на 3BIT-REAP, а тоа опишува два независни чекора на компресија применети по редослед.

REAP: поткастрување на експерти, а не нивно спојување

REAP е Router-weighted Expert Activation Pruning, од Cerebras Research — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression“, прифатен на ICLR 2026. Во редок MoE рутерот не ги користи своите експерти рамномерно: долга опашка се избира ретко, слабо или и двете. REAP го оценува секој експерт комбинирајќи ги вредностите на рутер-портата (колку често и колку силно се избира) со нормите на активација на експертот (колку придонесува неговиот излез), а потоа ги брише губитниците наполно.

Аргументот на трудот е дека поткаструвањето го надминува спојувањето: спојувањето ја исусредува функционалната специјализација поради која MoE вредеше да се гради, додека бришењето на експертите до кои рутерот едвај допира ја зачувува. Кај модели од 20 милијарди до 1 трилион, REAP ги надмина спојувањето и конкурентните методи за поткастрување на генеративни бенчмарци, а авторите објавуваат речиси безгубитни резултати на генерирање код и повикување алатки при поткастрување од 50% на експертите кај Qwen3-Coder-480B и Kimi-K2 — што е токму профилот на работата поради која овој модел е тука.

3-битни тежини: нивото на компресија за најголемите фундаменти

Она што преживува потоа се квантизира на 3-битни тежини. Три бита се агресивни и не се преправаме дека не се: низ поставката користиме W8A16 таму каде што фундаментот е доволно мал за да не му треба стегање, W4A16-AUTOROUND-REAP во средината, а 3BIT-REAP само на најголемите фундаменти, каде што тој е разликата меѓу тоа моделот да биде послужен и да не биде.

Компромисот вреди да се каже отворено: 3-битен MoE од 1,6 трилиони не е битово идентичен со референтното издание, а мал трошок во квалитет постои. Она што го добиваш за возврат е фундамент чијшто некомпресиран таван лежи далеку над сè што удобно собира на повисока прецизност — а бидејќи експертите на V4 биле тренирани во FP4 од самиот почеток, моделот е невообичаено добро воспитан под понатамошна компресија на тежините. Ако сакаш DeepSeek верзија со полесна рака врз прецизноста, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP користи 4-битни тежини со 16-битни активации и научено заокружување од AutoRound, на истиот контекст од 262K по 0,50 навнатре / 2,00 нанадвор.

05Размислување и рачката reasoning_effort

Пост-тренирањето на V4 тренира специјалисти по домени одделно — математика, код, агенти, следење инструкции — со SFT проследен со GRPO, методот Group Relative Policy Optimization што DeepSeek го воведе со R1. Тие специјалисти потоа се обединуваат во еден модел преку дестилација на политика со обратна KL цел, па една контролна точка носи однесување од специјалистичко ниво во неколку домени наеднаш наместо да биде општак што е просечен во сите нив.

Објавениот модел изложува степенувани режими на размислување наместо бинарен прекинувач. На нашата порта тоа е стандардниот параметар reasoning_effort, единствената најкорисна рачка на овој модел:

• Ниско — речиси директно одговарање: класификација, извлекување, препишување, сè каде што плаќаш за знаењето на моделот, а не за неговото премислување.
• Средно — стандардниот работен режим за преглед на код, дебагирање и повеќечекорна анализа.
• Високо — долго премислување пред одговарање. Таму се решаваат тешките проблеми и таму живее твојата сметка за излезни токени, бидејќи токените за размислување се наплаќаат како излез.

Бидејќи нема слој за одбивање, трагата на расудување не се скратува на чувствителна материја — обрасецот на потиснување на мислата документиран кај сопствената услуга нема механизам преку кој би се појавил овде.

06Код и агентска работа: што постигнува фундаментот

Ова се сопствените објавени бројки на DeepSeek-AI за изданието V4-Pro — не наши и не мерени на нашата квантизирана верзија. Ги покажуваме затоа што се чесната причина да се избере овој фундамент, и ги означуваме како сопствени за да можеш соодветно да ги тежиш.

Две заслужуваат коментар. SWE-bench Verified на 80,6% е решавање проблеми во вистински складишта — читање непознат код, наоѓање на дефектот, изработка на закрпа што ги поминува сопствените тестови на проектот. MRCR на еден милион токени (83,5) е повеќекружно пронаоѓање по кореференција на полна должина, бројката што ти кажува дека тврдењето за долг контекст не е декоративно. DeepSeek објавува и Codeforces рејтинг од 3206 за моделот, и 62,0 на CorpusQA при контекст од 1M.

Бројките погоре се објавени од DeepSeek-AI за референтното издание DeepSeek-V4-Pro. Нашата верзија 3BIT-REAP е компресирана варијанта на тие тежини и не е независно измерена на овие задачи; сфати ги референтните резултати како таван на фундаментот, а не како мерење на оваа крајна точка.

07262K контекст: што всушност собира

Референтниот модел е трениран за милион токени. Ние послужуваме 262.144 — прозорецот што го делат сите модели на портата, па менувањето модел е промена од еден ред и никогаш не е назадување на контекстот. Во пракса, 262K е одвај точката каде што контекстот стега за повеќето вистински работи:

Работа	Приближно токени	Собира во 262K?
Складиште на сервис од средна големина (~50 илј. редови)	~600K	Не — избери модули
Еден потсистем плус неговите тестови	~60–120K	Да, удобно
Целиот сет RFC-и за еден протокол	~150K	Да
Техничка книга од 700 страници	~250K	Да, близу границата
Долго агентско извршување, 40+ круга со алатки	~80–200K	Да

Границата околу која треба да планираш е излезот: најмногу 16.384 токени по одговор. Тоа е долг документ или солидна закрпа низ повеќе датотеки, но не и цел код. Големите работи за генерирање се вршат со врзување барања во низа, со претходниот излез вратен во контекстот — што прозорецот од 262K го прави евтино — а не со барање едно огромно довршување.

08Цена и каде седи V4-Pro во поставката

На 1,95 долари навнатре / 3,90 долари нанадвор по милион токени, V4-Pro е водечкото ниво за размислување — моделот за кој посегнуваш кога проблемот е тежок. Кога е само голем, поевтините модели на истиот прозорец од 262K ќе го направат за четвртина од цената.

Нецензуриран модел	Навнатре / 1M	Нанадвор / 1M	Вид	Најдобар за
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Не	Тешко размислување, код, агенти
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Не	Иста лоза, голем обем
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Не	Работен коњ за општа намена
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Да	Врвни мултимодални агенти
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Да	Најевтин вид

Да бидеме искрени за споредбата што луѓето навистина ќе ја направат: сопственото API на DeepSeek е поевтино од ова — сопственото V4-Pro наведува околу 0,435 навнатре / 0,87 нанадвор, а нивната цена за влез со погодок во кешот е уште пониска. Ако цената по токен ти е единствениот критериум и однесувањето при модерација не ти влијае на работата, користи го сопственото API; повеќе би сакале тоа да ти го кажеме отколку да го дознаеш подоцна. Премијата купува друг сет својства: без слој за одбивање и без филтер на излезот, оператор во САД под Shannon Lab LLC, фиксирана датирана контролна точка (0813) па тивка надградба нагоре никогаш не ти ги менува излезите среде проект, три API дијалекти врз еден модел, и истиот прозорец од 262K и иста површина на параметри низ сите дванаесет модели во поставката.

09Како се повикува: три дијалекти, еден модел

Секој модел на портата одговара на сите три крајни точки, со стриминг на секоја. Не усвојуваш нов SDK — менуваш основен URL и идентификатор на моделот.

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 — дијалект на OpenAI; работи со OpenAI SDK-ите и со сè што е градено врз нив.
• /v1/messages — дијалект на Anthropic, за кодови веќе напишани според тој облик.
• /v1/responses — интерфејсот во стил Responses.

Поддржано на овој модел: стриминг, родно повикување алатки, строг структуриран излез со json_schema, response_format и reasoning_effort. Целосниот преглед на параметрите и живо игралиште има во API документацијата.

10Искрени ограничувања

Четири работи што треба да ги знаеш пред да градиш врз него:

• Без вид. Само текст; нема да прими слика на влез на ниту една крајна точка. Ако ти треба нецензуриран модел што гледа, користи Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 или inkling.
• Таван на излезот од 16.384 токени. Токените за размислување се одземаат од него при висок напор, па долгото премислување остава помалку простор за одговорот. Врзувај барања во низа за големи работи со генерирање.
• 3 бита се вистинска компресија. Референтните резултати го опишуваат фундаментот, а не оваа верзија. За нивото со највисока верност, моделите W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) носат најмалку квантизација.
• Нецензурирано не значи без последици. Отсуството на слој за одбивање значи дека одговорноста за тоа што прашуваш и што правиш со одговорот лежи кај тебе — под нашите услови на користење и законот таму каде што работиш.

11Често поставувани прашања

---

Извори: DeepSeek-AI — картичка на моделот DeepSeek-V4-Pro · Технички извештај за DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Технички извештај за DeepSeek-V3 · REAP the Experts (Cerebras Research) · Ревизија на цензурата од Promptfoo · Discovering Forbidden Topics in Language Models. Бројките од бенчмарците се објавени од DeepSeek-AI за референтното издание; независна верификација од трета страна на компресираната верзија е во тек. Цените се ценовникот на Shannon AI заклучно со 5 септември 2026 година.