Цензургүй DeepSeek API

"Цензургүй DeepSeek API" гэсэн хэллэгт хүрч ирдэг хүмүүс нэг тодорхой зүйлийг хүсдэг: DeepSeek-ийн сэтгэлгээ, кодлолын чадвартай, тэдний бодитоор асуусан асуултад хариулдаг загвар. Чадварын тал сайн баримтжуулагдсан — DeepSeek-AI архитектур ба тоо баримтаа нийтэлсэн, жин нь Hugging Face дээр MIT лицензийн дор байдаг. Хоёр дахь тал бол ажиллагааны шийдвэр бөгөөд ихэвчлэн таны оронд хэн нэгэн шийддэг. Энэ хуудас хоёуланг нь хамардаг: V4-Pro суурь загвар юу болох, бидний 3BIT-REAP бүтээц үүнд юу хийдэг, мөн бидний хэлж буй "цензургүй" гэдэг үг яг юу гэсэн үг болох тухай.

01«Цензургүй DeepSeek API» үнэндээ юу гэсэн үг вэ

Хоёр өөр механизм ижил үгэн дор ангилагддаг. Эхнийх нь жин дотор шингэсэн зохицуулалт — сургалтын дараах шатанд сурсан татгалзах зан үйл. Хоёр дахь нь үйлчилгээ талын модерацийн давхарга: загвар харахаас өмнө таны промптыг, та харахаас өмнө гаралтыг шалгадаг тусдаа ангилагч бөгөөд загвар юу хэлэхийг хүссэнээс үл хамааран өгүүлбэрийн дундаас хариултыг тасалж болно.

Хоёулаа хэмжигдэхүйц бөгөөд DeepSeek-ийн эх талын үйлчилгээг хэмжсэн байдаг. Promptfoo улс төрийн мэдрэмтгий 1,360 промптын багц бэлдэж, DeepSeek-ийн байршуулсан R1 нь тэдгээрийн 1,156-г нь — ойролцоогоор 85%-ийг нь — татгалзсан эсвэл өнгөрөөсөн гэж мэдээлсэн. Ижил гэр бүлийн загвар дээрх эрдэм шинжилгээний ажил зохиогчдын бодлын дарангуйлал гэж нэрлэсэн ялгаатай бүтэлгүйтлийн хэлбэрийг олж илрүүлсэн — энэ нь загварын сэтгэлгээний мөр мэдрэмтгий сэдэв дээр эхлэнгүүтээ бараг зогсдог. Information Sciences-д нийтлэгдсэн тусдаа аудит утгын түвшний дарангуйлал-ыг баримтжуулсан: загварын дотоод сэтгэлгээнд байгаа агуулга хэрэглэгчид хүрэхээс өмнө чимээгүйхэн орхигдох эсвэл дахин бичигддэг. Энэ нь илт татгалзалаас илүү хэцүү асуудал, учир нь тасалсан хариулт хариулт мэт харагддаг.

Бидний ажиллуулдаг зүйл бол Shannon Lab LLC-ийн дор, АНУ-д, бидний удирддаг тоног төхөөрөмж дээрх нээлттэй жингийн хувилбар юм. Загварын өмнө татгалзах давхарга байхгүй, буцаж ирж буй зүйлд ямар ч шүүлт хэрэглэдэггүй: таны промпт үйлчлүүлэхээс өмнө бодлогын хувьд ангилагддаггүй, гаралтын урсгал гарах замдаа шалгагддаггүй. Суурь загвар нь MIT лицензтэй, нээлттэй тул та бидний үгэнд итгэхийн оронд бидний гаралтыг лавлагаа жинтэй өөрөө харьцуулж болно.

02Суурь загвар: DeepSeek-V4-Pro, 1.6Т MoE

DeepSeek-V4 бол DeepSeek-AI-н одоогийн нээлттэй жингийн гэр бүл бөгөөд 2026 оны 4 сард урьдчилан танилцуулагдаж, MIT лицензийн дор хоёр хэмжээтэйгээр гарсан: V4-Flash (нийт 284Б, 13Б идэвхжсэн) ба V4-Pro (нийт 1.6Т, 49Б идэвхжсэн). Энэ өгүүлэл Pro түвшний тухай. Хоёулаа ойролцоогоор 33 триллион токен дээр урьдчилан сургагдсан бөгөөд хоёулаа сая токены контекстыг төрөлхөөр дэмждэг.

Сийрэгжилтийн харьцаа анзаарах ёстой зүйл: параметрийн ердөө 3% орчим нь ямар ч токен дээр идэвхждэг бөгөөд яг энэ л ийм том загварыг ерөөс үйлчилгээнд гаргах боломжтой болгодог. MoE блок өөрөө хэвээрээ DeepSeekMoE байна — V2-т нэвтэрсэн нарийн ширхэгтэй чиглүүлдэг мэргэжилтнүүд, түүн дээр байнга идэвхтэй хуваалцсан мэргэжилтнүүд — V4 дээр зөвхөн бага өөрчлөлттэй, хамгийн тод нь хамгийн эхний давхаргууд дахь hash чиглүүлэлт. Спекулятив декодчилолыг ч бас идэвхжүүлдэг V3-ын туслах зорилго болох Multi-Token Prediction өөрчлөгдөлгүй хадгалагдсан.

V4 дэх шинэ хэсгүүд нь бүтцийн шинжтэй. Manifold-Constrained Hyper-Connections (mHC) нь энгийн үлдэгдэл замыг Sinkhorn–Knopp проекцоор давхар стохастик матрицын манифолд дээр хязгаарласан сурсан холих матрицаар сольдог — маш гүн стек устгадаг тоон хазайлтгүйгээр оролт тутамд дахин жинлэгддэг үлдэгдэл урсгал. Сургалт ихэнх модулийн хувьд AdamW-ээс Muon руу шилжсэн бөгөөд Newton–Schulz ортогоналчлал ашигладаг, AdamW нь зөвхөн эмбеддинг, урьдчилан таамаглах толгой, норчлол ба статик mHC параметрт хадгалагдсан. Мөн мэргэжилтний жин FP4-т, ихэнх бусад параметр FP8-д сургагддаг — эхнээсээ квантчилалд зохицсон бөгөөд энэ нь загвар дараагийн шахалтыг хэр зөөлнөөр тэсвэрлэхэд чухал.

03MLA-аас CSA + HCA хүртэл: DeepSeek урт контекстыг хэрхэн хямд байлгадаг вэ

DeepSeek-ийн дөрвөн үеийн туршид үргэлжилдэг гол шугам бол хэмжээ биш, анхаарлын эдийн засаг юм. Хувилбар бүр контексттэй хамт шугаман өсдөг, урт уртад санах ойд давамгайлдаг KV кэшид довтолсон.

• V2 нь Multi-head Latent Attention (MLA)-г нэвтрүүлсэн — key ба value-г далд вектор руу нам зэрэглэлийн хамтарсан шахалт хийдэг тул үүсгэлт бүх толгой тутмын бүрэн K ба V-гийн оронд тэр векторыг, дээр нь тусгаарлагдсан RoPE key-г кэшлэдэг. DeepSeek KV кэшийг стандарт олон толгойт анхаарлын ойролцоогоор 4-14% хүртэл бууруулсан бөгөөд чанараа хадгалсан эсвэл сайжруулсан гэж мэдээлсэн.
• V3 үүнийг 671Б хүртэл масштаблаж, нээлттэй загваруудад хямд урт контекстийн анхдагч таамаглал болгосон.
• V3.2 DeepSeek Sparse Attention (DSA)-г нэмсэн, энэ нь бүгдэд анхаарал хандуулахын оронд хөнгөн индексаторын тусламжтайгаар query тутамд түүхийн top-k дэд олонлогийг сонгодог.
• V4 нь эрлийзжсэн. Compressed Sparse Attention (CSA) эхлээд m токен тутмын KV бичлэгүүдийг сурсан жингээр нэг бичлэг рүү шахаж, дараа нь тэдгээр шахагдсан бичлэгүүд дээр сийрэг top-k сонголт хийдэг. Heavily Compressed Attention (HCA) хамаагүй хатуу шахдаг ч үр дүн дээрээ нягт хэвээр байдаг. Хоёр давхаргын төрөл нь стекийн туршид ээлжлэн орсон тул хямд глобал хураангуй ба нарийвчлалтай орон нутгийн татан авалт хамт оршдог.

Сая токены контекст дээрх мэдээлсэн ашиг тод харагдаж байна: V4-Pro нь V3.2-той харьцуулахад токен тутмын инференс FLOPs-ын ойролцоогоор 27%, KV кэшийн 10% л шаардана. Яг энэ шалтгаанаар 262K хүсэлт санах ойн үйл явдал биш, энгийн хүсэлт мэт ажилладаг, мөн урт-контекстийн татан авалтын тоо хэдэн арван мянган токеноос давсны дараа нурахын оронд тогтвортой хэвээр байдаг.

043BIT-REAP дагавар юу гэсэн үг вэ

Манай каталогийн ID 3BIT-REAP-ээр төгсдөг бөгөөд энэ нь дараалан хэрэглэсэн хоёр бие даасан шахалтын алхмыг тодорхойлдог.

REAP: мэргэжилтнүүдийг нэгтгэхийн оронд хасах

REAP бол Router-weighted Expert Activation Pruning буюу чиглүүлэгчийн жингээр жигнэсэн мэргэжилтний идэвхжилтийг хасах арга бөгөөд Cerebras Research-ийн боловсруулсан — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", ICLR 2026-д хүлээн авагдсан. Сийрэг MoE-д чиглүүлэгч мэргэжилтнүүдээ жигд ашигладаггүй: урт сүүл нь ховор, сул, эсвэл хоёуланд нь сонгогддог. REAP чиглүүлэгчийн гейт утга (хэр олонтоо, хэр хүчтэй сонгогдож байгаа) ба мэргэжилтний идэвхжүүлэлтийн норм (гаралт нь хэр их хувь нэмэр оруулж байгаа) хоёрыг хослуулан мэргэжилтэн бүрийг дүгнэж, дараа нь ялагдагчдыг шууд устгадаг.

Өгүүллийн үндэслэл нь хасах нь нэгтгэхийг давдаг гэдэгт оршино: нэгтгэх нь MoE-г бүтээхийг үнэ цэнэтэй болгосон функциональ мэргэшлийг дунджаар арилгадаг бол чиглүүлэгч бараг хүрдэггүй мэргэжилтнүүдийг устгах нь түүнийг хадгалдаг. 20Б-аас 1Т хүртэлх загварууд дээр REAP нь генератив жишиг тест дээр нэгтгэх болон өрсөлдөгч хасах аргуудыг давсан бөгөөд зохиогчид Qwen3-Coder-480B ба Kimi-K2 дээр 50% мэргэжилтэн хасахад код үүсгэх ба хэрэгсэл дуудахад бараг алдагдалгүй үр дүн гарсан гэж мэдээлсэн — энэ бол яг энэ загвар зориулагдсан ажлын хэлбэр юм.

3 битийн жин: хамгийн том суурь загваруудад зориулсан шахалтын түвшин

Үлдсэн хэсэг дараа нь 3 бит жин болгон квантчлагддаг. Гурван бит бол хатуу шахалт бөгөөд бид үүнийг нуухгүй: жагсаалтын туршид шахалт хэрэггүй хэмжээгээр жижиг суурь загварт W8A16, дунд түвшинд W4A16-AUTOROUND-REAP, харин 3BIT-REAP-г л зөвхөн хамгийн том суурь загварт хэрэглэдэг бөгөөд энд энэ нь загварыг үйлчилгээнд гаргах эсэхийн ялгаа юм.

Тэнцвэрийг шулуухан хэлэх нь зүйтэй: 3 битийн 1.6Т MoE нь лавлагаа хувилбартай бит бүрээрээ ижил биш бөгөөд бага зэргийн чанарын зардал бодит юм. Үүний хариуд та эзэмшдэг зүйл бол шахагдаагүй дээд хязгаар нь өндөр нарийвчлалд тухтай багтдаг ямар ч зүйлээс хамаагүй дээгүүр байрладаг суурь загвар — мөн V4-ийн мэргэжилтнүүд эхнээсээ FP4-д сургагдсан тул загвар цаашдын жингийн шахалтад ер бусын сайн тэсвэртэй байдаг. Хэрэв танд нарийвчлал дээр илүү зөөлөн хандсан DeepSeek бүтээц хэрэгтэй бол DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP нь ижил 262K контекст дээр $0.50 оролт / $2.00 гаралттайгаар AutoRound-ийн сурсан бутархайлал бүхий 16 битийн идэвхжүүлэлт бүхий 4 битийн жин ашигладаг.

05Сэтгэлгээ, мөн reasoning_effort тохируулга

V4-ийн сургалтын дараах шат нь чиглэл тус бүрийн мэргэшсэн загварыг тусад нь сургадаг — математик, кодлол, агент, зааврыг дагах — SFT дараа нь DeepSeek R1-тэй хамт нэвтрүүлсэн Group Relative Policy Optimization арга болох GRPO. Дараа нь тэдгээр мэргэшсэн загваруудыг урвуу-KL зорилтын дор бодлого дээрх дистилляциар нэг загвар руу нэгтгэдэг тул нэг чекпойнт бүх чиглэлд дундаж чадвартай ерөнхий загвар байхын оронд хэд хэдэн чиглэлд нэг зэрэг мэргэшсэн түвшний зан үйлийг зэрэг агуулдаг.

Гарсан загвар хоёртын унтраалгын оронд шаталсан сэтгэх горимуудыг нээлттэй болгодог. Манай gateway дээр энэ нь стандарт reasoning_effort параметр бөгөөд энэ загвар дээрх хамгийн хэрэгтэй нэг тохируулга юм:

• Low — бараг шууд хариулах: ангилал, задлан авах, дахин бичих, загварын сэтгэн бодохын оронд мэдлэгийн төлөө төлж буй ямар ч ажил.
• Medium — код хянах, алдаа засах, олон алхамт шинжилгээний анхдагч ажлын горим.
• High — хариулахаас өмнөх урт сэтгэн бодолт. Хэцүү асуудлууд шийдэгддэг, мөн сэтгэлгээний токен гаралт хэлбэрээр төлбөртэй тул таны гаралтын токены данс энд амьдардаг.

Татгалзах давхарга байхгүй тул мэдрэмтгий сэдвийн үед сэтгэлгээний мөр тасардаггүй — эх талын үйлчилгээ дээр баримтжуулсан бодлын дарангуйлалын хэв маяг энд тохиолдох ямар ч механизмгүй.

06Код ба агентийн ажил: суурь загвар ямар оноо авдаг вэ

Эдгээр нь V4-Pro хувилбарын талаарх DeepSeek-AI-н өөрсдийн нийтэлсэн тоо — бидний тоо биш, бидний квантчилсан бүтээц дээр хэмжигдээгүй. Бид тэдгээрийг энэ суурь загварыг сонгох шударга шалтгаан болохын хувьд харуулж байгаа бөгөөд та тэдгээрийг харгалзан жинлэж болохын тулд эх талынх гэж тэмдэглэж байна.

Хоёр нь тайлбар авах ёстой. 80.6%-тай SWE-bench Verified бол бодит репозиторийн асуудал шийдвэрлэлт — танил бус кодын санг унших, согогийг олох, төслийн өөрийнх нь тестийг давдаг патч гаргах. Сая токен дээрх MRCR (83.5) бол бүрэн уртад олон эргэлтийн coreference татан авалт бөгөөд урт-контекстийн мэдэгдэл чимэглэл биш гэдгийг хэлдэг тоо юм. DeepSeek мөн загварын хувьд Codeforces рейтинг 3206, мөн 1M контекст дээр CorpusQA дээр 62.0 гэж мэдээлсэн.

Дээрх тоо баримтууд DeepSeek-V4-Pro лавлагаа хувилбарын талаар DeepSeek-AI-н мэдээлсэн тоо. Бидний 3BIT-REAP бүтээц нь тэр жингийн шахагдсан хувилбар бөгөөд эдгээр ажлууд дээр бие даан жишиг тест хийгдээгүй; лавлагаа онооноос энэ endpoint-ийн хэмжилт биш, суурь загварын дээд хязгаар гэж хандаарай.

07262K контекст: үнэндээ юу багтдаг вэ

Лавлагаа загвар нь сая токенд сургагдсан. Бид 262,144-г үйлчилдэг — gateway дээрх загвар бүрийн хуваалцдаг цонх тул загвар солих нь нэг мөрийн өөрчлөлт бөгөөд хэзээ ч контекстийн ухрал биш. Практикт 262K бол ихэнх бодит ажлын хувьд контекст саад болдог цэгээс давсан хэмжээ юм:

Ажлын ачаалал	Ойролцоо токен	262K-д багтдаг уу?
Дунд оврын үйлчилгээний репозитор (~50к мөр)	~600K	Үгүй — сонгосон модулиуд
Нэг дэд систем + түүний тестүүд	~60–120K	Тийм, тухтай
Протоколын бүрэн RFC багц	~150K	Тийм
700 хуудас техникийн ном	~250K	Тийм, хязгаарт ойрхон
Урт агент гүйлгээ, 40+ хэрэгслийн эргэлт	~80–200K	Тийм

Төлөвлөх ёстой хязгаар бол гаралт: хариулт тутамд дээд тал нь 16,384 токен. Энэ бол урт баримт бичиг эсвэл олон файлын ноцтой патч, харин кодын сан биш. Их хэмжээний үүсгэлтийн ажлыг нэг асар том гүйцэтгэл хүсэхийн оронд өмнөх гаралтыг контекст руу буцааж хүсэлтүүдийг гинжлэн гүйцэтгэдэг — үүнийг 262K цонх хямд болгодог.

08Үнэ, мөн V4-Pro жагсаалтад хаана байрладаг вэ

1 сая токен тутамд $1.95 оролт / $3.90 гаралт-тай V4-Pro бол тэргүүн сэтгэлгээний түвшин — асуудал хэцүү байх үед л та хандах загвар. Асуудал зөвхөн том байх үед ижил 262K цонх дээрх хямд загварууд үүнийг дөрөвний нэг үнээр хийж чадна.

Цензургүй загвар	Оролт / 1M	Гаралт / 1M	Хараа	Хамгийн тохиромжтой
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Үгүй	Хэцүү сэтгэлгээ, код, агент
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Үгүй	Ижил угсаа, өндөр хэмжээ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Үгүй	Ерөнхий зориулалтын ажлын морь
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Тийм	Дээд түвшний олон горимт агент
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Тийм	Хамгийн хямд хараа

Хүмүүсийн бодитоор хийх харьцуулалтын талаар шулуухан хэлье: DeepSeek-ийн өөрийн API үүнээс хямд — эх талын V4-Pro ойролцоогоор $0.435 оролт / $0.87 гаралтаар жагсдаг, кэш тохирсон оролтын үнэ бүр ч бага. Хэрэв токен тутмын үнэ таны цорын ганц шалгуур бөгөөд модерацийн зан үйл таны ажилд нөлөөлдөггүй бол эх талын API-г хэрэглээрэй; та дараа нь олж мэдэхийн оронд бид одоо хэлсэн нь дээр. Нэмэлт үнэ өөр шинж чанаруудыг худалдаж авдаг: татгалзах давхарга ба гаралтын шүүлтгүй, Shannon Lab LLC-ийн дор АНУ-ын оператор, дээшээ чимээгүй шинэчлэлт таны гаралтыг төслийн дундуур хэзээ ч өөрчлөхгүй байхаар бэхэлсэн огноотой чекпойнт (0813), нэг загварын оронд гурван API аялгуу, мөн жагсаалт дахь арван хоёр загвар бүхэлдээ хуваалцдаг ижил 262K цонх ба параметрийн гадаргуу.

09Дуудах нь: гурван аялгуу, нэг загвар

Gateway дээрх загвар бүр гурван endpoint дээр стримингтэйгээр хариулдаг. Та шинэ SDK хэрэглэхгүй — зөвхөн base URL ба загварын ID-г солино.

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 аялгуу; OpenAI SDK болон түүн дээр бүтээгдсэн бүх зүйлтэй ажилладаг.
• /v1/messages — Anthropic аялгуу, тэр хэлбэрт зориулж аль хэдийн бичигдсэн кодын санд зориулсан.
• /v1/responses — Responses хэв маягийн интерфейс.

Энэ загвар дээр дэмжигддэг: стриминг, төрөлх хэрэгсэл дуудах, хатуу json_schema бүтэцтэй гаралт, response_format, мөн reasoning_effort. Бүрэн параметрийн лавлагаа ба шууд туршилтын талбар API баримт бичигт байна.

10Шударга хязгаарууд

Үүн дээр бүтээхээсээ өмнө мэдэх ёстой дөрвөн зүйл:

• Хараагүй. Зөвхөн текст; ямар ч endpoint дээр зурган оролт хүлээж авахгүй. Хэрэв танд хардаг цензургүй загвар хэрэгтэй бол Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 эсвэл inkling-г ашигла.
• 16,384 токены гаралтын дээд хязгаар. High тохиргоо дээр сэтгэлгээний токенууд ч энэ хязгаарт тооцогддог тул урт сэтгэн бодолт хариултад бага зай үлдээдэг. Их хэмжээний үүсгэлтийн ажилд хүсэлтийг гинжлэ.
• 3 бит бол бодит шахалт. Лавлагаа оноо нь энэ бүтээцийг биш, суурь загварыг тодорхойлдог. Хамгийн өндөр үнэнч байдлын түвшний хувьд W8A16 загварууд (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) хамгийн бага квантчилалтай.
• Цензургүй гэдэг нь үр дагаваргүй гэсэн үг биш. Татгалзах давхаргагүй гэдэг нь та юу асуух, хариултаар юу хийхийн хариуцлага танд байна гэсэн үг — манай үйлчилгээний нөхцөл болон таны ажиллаж буй улсын хуулийн дор.

11Түгээмэл асуултууд

---

Эх сурвалж: DeepSeek-AI — DeepSeek-V4-Pro загварын карт · DeepSeek-V4 техникийн тайлан (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 техникийн тайлан · REAP the Experts (Cerebras Research) · Promptfoo цензурын аудит · Discovering Forbidden Topics in Language Models. Жишиг тестийн тоо баримт нь лавлагаа хувилбарын талаар DeepSeek-AI-н мэдээлсэн тоо; шахагдсан бүтээцийн бие даасан гуравдагч талын баталгаажуулалт хараахан хийгдээгүй байна. Үнэ нь 2026 оны 9 сарын 5-ны байдлаарх Shannon AI-н жагсаалтын үнэ.