L-API Bla Ċensura ta' DeepSeek
Taħlita ta' Esperti ta' DeepSeek ta' 1.6-triljun-parametru servuta mingħajr saff ta' rifjut: kuntest ta' 262K, sforz ta' raġunament nattiv, sejħa ta' għodod, u tliet djaletti tal-API fuq il-cluster GPU tagħna stess.
Fil-qosor
DeepSeek-V4-Pro-0813-3BIT-REAP hu l-mudell ewlieni ta' raġunament u kodifikazzjoni tal-lineup bla ċensura ta' Shannon AI. Il-fondazzjoni hi l-piżi miftuħa ta' DeepSeek-AI V4-Pro — 1.6T parametru totali, 49B attivati għal kull token, liċenzjata MIT, imħarrġa b'mod nattiv għal kuntest ta' miljun token. Inservuha fuq il-cluster GPU tagħna stess b'piżi ta' 3-bit bi tqaċċit tal-esperti REAP, b'tieqa ta' 262,144-token, output massimu ta' 16,384-token, streaming, sejħa ta' għodod nattiva, output strett ta' json_schema, u dial ta' reasoning_effort. $1.95 għal kull 1M dħul, $3.90 għal kull 1M ħruġ. Ebda viżjoni. Ebda saff ta' rifjut, ebda filtrar tal-output.
In-nies li jaslu fil-frażi "API bla ċensura ta' DeepSeek" iridu ħaġa speċifika waħda: mudell bil-kapaċità ta' raġunament u kodifikazzjoni ta' DeepSeek li jwieġeb il-mistoqsija li tabilħaqq staqsew. In-nofs tal-kapaċità hu dokumentat sew — DeepSeek-AI ippubblika l-arkitettura u ċ-ċifri, u l-piżi jinsabu fuq Hugging Face taħt MIT. It-tieni nofs hu deċiżjoni operattiva, u normalment issir għalik. Din il-paġna tkopri t-tnejn: x'inhi l-fondazzjoni V4-Pro, x'jagħmlilha l-build 3BIT-REAP tagħna, u eżattament x'ifisser "bla ċensura" meta ngħiduh.
01X'tabilħaqq tfisser "API bla ċensura ta' DeepSeek"
Żewġ mekkaniżmi differenti jinġabru taħt l-istess kelma. L-ewwel hu l-allinjament moħbi fil-piżi — imġiba ta' rifjut mgħallma matul il-post-taħriġ. It-tieni hu saff ta' moderazzjoni fuq in-naħa tas-servizz: klassifikatur separat li jispezzjona l-prompt tiegħek qabel ma jarah il-mudell u l-output qabel ma tarah int, u jista' jaqta' tweġiba f'nofs sentenza tkun xi tkun il-ħsieb tal-mudell.
It-tnejn huma mkejla, u s-servizz first-party ta' DeepSeek ġie mkejjel. Promptfoo laqqa' sett ta' 1,360 prompt ta' mistoqsijiet sensittivi politikament u rrapporta li r-R1 ospitat ta' DeepSeek irrifjuta jew iddevja 1,156 minnhom — madwar 85%. Xogħol akkademiku fuq l-istess familja sab mod ta' falliment distint li l-awturi sejħulu trażżin tal-ħsieb, fejn it-traċċa tar-raġunament tal-mudell tispiċċa kważi hekk kif tibda fuq suġġett sensittiv. Awditu separat ippubblikat f'Information Sciences iddokumenta trażżin fil-livell semantiku: kontenut preżenti fir-raġunament intern tal-mudell li bil-kwiet jitħalla barra jew jinkiteb mill-ġdid qabel ma jasal għand l-utent. Dik hi problema aktar diffiċli minn rifjut dirett, għax tweġiba mqaċċta tidher bħal tweġiba.
Dak li nħaddmu hu r-rilaxx b'piżi miftuħa, fuq ħardwer li nħaddmu aħna, fl-Istati Uniti, taħt Shannon Lab LLC. M'hemm ebda saff ta' rifjut quddiem il-mudell u ebda filtru applikat għal dak li jasal lura: il-prompt tiegħek mhux klassifikat għall-politika qabel ma jiġi servut, u l-fluss tal-output mhux spezzjonat hekk kif joħroġ. Għax il-fondazzjoni hi liċenzjata MIT u pubblika, tista' tqabbel l-outputs tagħna kontra l-piżi ta' referenza int stess minflok tieħu kelmitna.
02Il-fondazzjoni: DeepSeek-V4-Pro, MoE ta' 1.6T
DeepSeek-V4 hi l-familja attwali ta' piżi miftuħa ta' DeepSeek-AI, murija minn qabel f'April 2026 u rilaxxata taħt MIT f'żewġ daqsijiet: V4-Flash (284B totali, 13B attivati) u V4-Pro (1.6T totali, 49B attivati). Dan l-artiklu hu dwar il-livell Pro. It-tnejn tħarrġu fuq bejn wieħed u ieħor 33 triljun token u t-tnejn jappoġġjaw b'mod nattiv kuntest ta' miljun token.
Il-proporzjon ta' sparsità hu l-ħaġa li trid tinnota: madwar 3% biss tal-parametri jitqabbdu fuq kwalunkwe token, li hi dak li jagħmel mudell ta' dan id-daqs jista' jiġi servut xejn. Il-blokk tal-MoE innifsu għadu DeepSeekMoE — l-esperti routed b'ganċ fin flimkien mal-esperti kondiviżi dejjem attivi introdotti fi V2 — b'tibdil minuri biss fi V4, l-aktar viżibbli hija r-routing bil-hash fl-ewwel saffi. Multi-Token Prediction, l-objettiv awżiljarju ta' V3 li jippermetti wkoll decoding spekulattiv, hu miżmum mingħajr tibdil.
Il-partijiet ġodda fi V4 huma strutturali. Manifold-Constrained Hyper-Connections (mHC) jissostitwixxu l-mogħdija residwa sempliċi b'matriċi ta' taħlit mgħallma kkostretta fuq il-manifold ta' matriċi doppjament stokastiċi permezz ta' projezzjoni Sinkhorn–Knopp — fluss residwu li jerġa' jiżen skont l-input mingħajr id-deriva numerika li toqtol stacks fondi ħafna. It-taħriġ mar minn AdamW għal Muon għall-biċċa l-kbira tal-moduli, bl-użu ta' orthogonalizzazzjoni Newton–Schulz, b'AdamW miżmum biss għall-embeddings, ir-rjus tal-previżjoni, in-normalizzazzjoni u l-parametri statiċi ta' mHC. U l-piżi tal-esperti huma mħarrġa f'FP4 b'ħafna mill-parametri l-oħra f'FP8 — konxju tal-kwantizzazzjoni mill-bidu, li jgħodd għal kemm il-mudell jieħu kompressjoni ulterjuri bi grazzja.
03Minn MLA għal CSA + HCA: kif DeepSeek iżomm il-kuntest twil irħis
Il-fil komuni ta' DeepSeek tul erba' ġenerazzjonijiet mhuwiex id-daqs, hi l-ekonomija tal-attenzjoni. Kull verżjoni attakkat il-KV cache, li tikber b'mod lineari mal-kuntest u tiddomina l-memorja fuq tulijiet twal.
- V2 introduċiet Multi-head Latent Attention (MLA) — kompressjoni b'rank baxx u konġunta tal-keys u l-values f'vettur latenti, għalhekk il-ġenerazzjoni tikkaċċja dak il-vettur flimkien ma' key RoPE separat minflok K u V sħaħ għal kull ras. DeepSeek irrapporta l-KV cache tinżel għal bejn wieħed u ieħor 4–14% tal-attenzjoni standard b'ħafna rjus, bil-kwalità miżmuma jew imtejba.
- V3 kabbret dan għal 671B, u għamlet MLA l-preżunzjoni default għal kuntest twil irħis f'mudelli miftuħa.
- V3.2 żiedet DeepSeek Sparse Attention (DSA), li tagħżel sottosett top-k tal-istorja għal kull talba permezz ta' indiċi ħafif minflok tagħti attenzjoni lil kollox.
- V4 tħallat. Compressed Sparse Attention (CSA) l-ewwel tikkompressa l-entrati KV ta' kull m tokens f'entrata waħda b'piżijiet mgħallma, imbagħad tħaddem għażla top-k spars fuq dawk l-entrati kompressati. Heavily Compressed Attention (HCA) tikkompressa aktar aggressivament imma tibqa' densa fuq ir-riżultat. Iż-żewġ tipi ta' saff jinterfoldjaw tul l-istack, għalhekk sommarju globali rħis u rkupru lokali preċiż jikkoeżistu.
Il-benefiċċju rrapportat f'kuntest ta' miljun token hu qawwi: V4-Pro jeħtieġ madwar 27% tal-FLOPs tal-inferenza għal kull token u 10% tal-KV cache ta' V3.2. Dak hu għaliex talba ta' 262K tġib ruħha bħal talba normali minflok avveniment ta' memorja, u għaliex iċ-ċifri tal-irkupru fuq kuntest twil jibqgħu sodi minflok jikkollassaw wara ftit għaxriet ta' eluf ta' tokens.
04X'ifisser is-suffiss 3BIT-REAP
L-id tal-katalgu tagħna tispiċċa b'3BIT-REAP, u dan jiddeskrivi żewġ passi indipendenti ta' kompressjoni applikati f'ordni.
REAP: tqaċċit tal-esperti, mhux it-tħaltihom
REAP hu Router-weighted Expert Activation Pruning, minn Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", aċċettat għal ICLR 2026. F'MoE spars ir-router ma jużax l-esperti tiegħu b'mod ugwali: dnub twil jintgħażel rarament, bi dgħufija, jew it-tnejn. REAP jiskorja kull espert billi jgħaqqad il-valuri tal-gate tar-router (kemm spiss u b'liema qawwa jintgħażel) mal-normi tal-attivazzjoni tal-espert (kemm jikkontribwixxi l-output tiegħu), imbagħad iħassar dawk li jitilfu direttament.
L-argument tal-paper hu li t-tqaċċit jirbaħ fuq it-tħaltija: it-tħaltija tagħmel medja u tarmi l-ispeċjalizzazzjoni funzjonali li kienet tagħmel il-MoE ta' min jibnih, filwaqt li t-tħassir tal-esperti li r-router ftit li xejn jilħaq iżommha. Tul mudelli minn 20B sa 1T, REAP kien aħjar mit-tħaltija u metodi kompetituri ta' tqaċċit fuq benchmarks ġenerattivi, u l-awturi jirrapportaw riżultati kważi bla telf fuq il-ġenerazzjoni tal-kodiċi u s-sejħa ta' għodod b'50% tqaċċit tal-esperti fuq Qwen3-Coder-480B u Kimi-K2 — li hu preċiżament il-profil tax-xogħol li għalih hu maħsub dan il-mudell.
Piżi ta' 3-bit: il-livell ta' kompressjoni għall-akbar fondazzjonijiet
Dak li jibqa' mbagħad jiġi kwantizzat għal piżi ta' 3-bit. Tliet bits hu aggressiv, u ma nippretendux mod ieħor: tul il-lineup nużaw W8A16 fejn il-fondazzjoni hi żgħira biżżejjed biex ma teħtieġx l-issikkar, W4A16-AUTOROUND-REAP fin-nofs, u 3BIT-REAP biss fuq l-akbar fondazzjonijiet, fejn hi d-differenza bejn li sservi l-mudell u li ma sservihx.
It-tradeoff jistħoqqlu jingħad ċar: MoE ta' 1.6T bi 3-bit mhuwiex identiku bit-bit għar-rilaxx ta' referenza, u spiża żgħira fil-kwalità hi vera. Dak li tikseb għaliha hi fondazzjoni li s-saqaf mhux kompressat tagħha jinsab 'il fuq minn kull ħaġa li tidħol komdament f'preċiżjoni ogħla — u għax l-esperti ta' V4 kienu mħarrġa f'FP4 mill-bidu, il-mudell jġib ruħu tajjeb b'mod mhux tas-soltu taħt kompressjoni ulterjuri tal-piżi. Jekk trid build ta' DeepSeek b'kontroll aktar ħafif fuq il-preċiżjoni, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP tuża piżi ta' 4-bit b'attivazzjonijiet ta' 16-bit u r-rounding mgħallem ta' AutoRound, fuq l-istess kuntest ta' 262K b'$0.50 dħul / $2.00 ħruġ.
05Raġunament, u d-dial reasoning_effort
Il-post-taħriġ ta' V4 jħarreġ speċjalisti tad-dominju separatament — matematika, kodifikazzjoni, aġenti, segwiment ta' istruzzjonijiet — b'SFT segwit minn GRPO, il-metodu Group Relative Policy Optimization li DeepSeek introduċiet ma' R1. Dawk l-ispeċjalisti mbagħad jiġu magħquda f'mudell wieħed permezz ta' distillazzjoni on-policy taħt objettiv reverse-KL, għalhekk checkpoint wieħed iġorr imġiba ta' livell speċjalist f'diversi dominji f'daqqa minflok ikun ġeneralist medjokri f'kollha.
Il-mudell rilaxxat jesponi modi ta' ħsieb gradwati minflok interruttur binarju. Fuq il-gateway tagħna dak hu l-parametru standard reasoning_effort, l-iktar dial utli fuq dan il-mudell:
- Low — tweġib kważi dirett: klassifikazzjoni, estrazzjoni, kitba mill-ġdid, kull fejn qed tħallas għall-għarfien tal-mudell minflok id-deliberazzjoni tiegħu.
- Medium — il-mod ta' ħidma default għar-reviżjoni tal-kodiċi, id-debugging u l-analiżi b'diversi passi.
- High — deliberazzjoni twila qabel ma jwieġeb. Fejn jissolvew il-problemi diffiċli, u fejn tgħix il-kont tal-output-tokens tiegħek, għax it-tokens tar-raġunament huma ffatturati bħala output.
Għax m'hemm ebda saff ta' rifjut, it-traċċa tar-raġunament mhix imqaċċta fuq materja sensittiva — il-pattern ta' trażżin tal-ħsieb iddokumentat fuq is-servizz first-party m'għandu ebda mekkaniżmu li jseħħ hawn.
06Kodifikazzjoni u xogħol aġentiku: dak li tiskorja l-fondazzjoni
Dawn huma ċ-ċifri pubblikati stess ta' DeepSeek-AI għar-rilaxx V4-Pro — mhux tagħna, u mhux imkejla fuq il-build kwantizzat tagħna. Nuruhom għax huma r-raġuni onesta biex tagħżel din il-fondazzjoni, u nimmarkawhom bħala first-party biex tiżinhom kif jixraq.
Tnejn jistħoqqilhom kumment. SWE-bench Verified fuq 80.6% hu r-riżoluzzjoni ta' problema fuq repożitorju veru — li taqra kodebase mhux familjari, issib id-difett, tipproduċi patch li jgħaddi t-testijiet tal-proġett stess. MRCR fuq miljun token (83.5) hu rkupru ta' koreferenza b'diversi rounds fit-tul sħiħ, iċ-ċifra li tgħidlek li t-talba tal-kuntest twil mhijiex dekorattiva. DeepSeek jirrapporta wkoll rating ta' Codeforces ta' 3206 għall-mudell, u 62.0 fuq CorpusQA b'kuntest ta' 1M.
Iċ-ċifri hawn fuq huma rrapportati minn DeepSeek-AI għar-rilaxx ta' referenza DeepSeek-V4-Pro. Il-build 3BIT-REAP tagħna hi varjant kompressat ta' dawk il-piżi u ma ġietx ibbenchmarkjata b'mod indipendenti f'dawn ix-xogħlijiet; ittratta l-punteġġi ta' referenza bħala s-saqaf tal-fondazzjoni, mhux bħala kejl ta' dan l-endpoint.
07Kuntest ta' 262K: x'jidħol tabilħaqq
Il-mudell ta' referenza hu mħarreġ għal miljun token. Aħna nservu 262,144 — it-tieqa li kull mudell fuq il-gateway jaqsam, għalhekk li taqleb bejn mudelli hi bidla ta' linja waħda u qatt regressjoni fil-kuntest. Fil-prattika 262K hu lil hinn mill-punt fejn il-kuntest jorbot għall-biċċa l-kbira tax-xogħol veru:
| Xogħol | Tokens approssimattivi | Jidħol f'262K? |
|---|---|---|
| Repożitorju medju ta' servizz (~50k linji) | ~600K | Le — agħżel il-moduli |
| Sottosistema waħda + it-testijiet tagħha | ~60–120K | Iva, komdament |
| Sett sħiħ ta' RFC għal protokoll | ~150K | Iva |
| Ktieb tekniku ta' 700 paġna | ~250K | Iva, qrib il-limitu |
| Run twil ta' aġent, 40+ turni ta' għodod | ~80–200K | Iva |
Il-limitu li għandek tippjana madwaru hu l-output: 16,384 token massimu għal kull tweġiba. Dak hu dokument twil jew patch sostanzjali b'diversi fajls, imma mhux kodebase. Xogħlijiet kbar ta' ġenerazzjoni jsiru billi tgħaqqad talbiet f'katina bl-output preċedenti lura fil-kuntest — li t-tieqa ta' 262K tagħmel irħisa — minflok titlob tweġiba enormi waħda.
08Prezz, u fejn V4-Pro joqgħod fil-lineup
B'$1.95 dħul / $3.90 ħruġ għal kull miljun token, V4-Pro hu l-livell ewlieni tar-raġunament — il-mudell li tmur għalih meta l-problema hi diffiċli. Meta hi sempliċement kbira, mudelli irħas fuq l-istess tieqa ta' 262K jagħmluha għal kwart tal-prezz.
| Mudell bla ċensura | Dħul / 1M | Ħruġ / 1M | Viżjoni | L-aħjar għal |
|---|---|---|---|---|
| DeepSeek-V4-Pro · 3BIT-REAP | $1.95 | $3.90 | Le | Raġunament diffiċli, kodiċi, aġenti |
| DeepSeek-V4-Flash · W4A16 | $0.50 | $2.00 | Le | Stess lineage, volum għoli |
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | Le | Workhorse ġenerali |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | Iva | Aġenti multimodali ta' fuq nett |
| MiniMax-M3 · 3BIT-REAP | $0.50 | $2.00 | Iva | L-irħas viżjoni |
Biex inkunu diretti dwar it-tqabbil li n-nies tabilħaqq se jagħmlu: l-API stess ta' DeepSeek hi irħas minn din — V4-Pro first-party jelenka madwar $0.435 dħul / $0.87 ħruġ, u l-prezzar tad-dħul tagħhom bil-cache-hit hu saħansitra aktar baxx. Jekk il-prezz għal kull token hu l-uniku kriterju tiegħek u l-imġiba ta' moderazzjoni ma taffettwax ix-xogħol tiegħek, uża l-API first-party; nippreferu ngħiduha minflok tinduna aktar tard. Il-primjum jixtri sett differenti ta' proprjetajiet: ebda saff ta' rifjut u ebda filtru tal-output, operatur Amerikan taħt Shannon Lab LLC, checkpoint iddatat u ffissat (0813) biex titjib bil-kwiet fuq in-naħa l-oħra qatt ma jbiddel l-outputs tiegħek f'nofs proġett, tliet djaletti tal-API kontra mudell wieħed, u l-istess tieqa ta' 262K u wiċċ tal-parametri tul it-tnax-il mudell kollha fil-lineup.
09Sejħitlu: tliet djaletti, mudell wieħed
Kull mudell fuq il-gateway iwieġeb fuq it-tliet endpoints kollha, b'streaming fuq kull wieħed. Ma tadottax SDK ġdid — tbiddel base URL u id tal-mudell.
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— djalett OpenAI; jaħdem mal-SDKs ta' OpenAI u kull ma hu mibni fuqhom./v1/messages— djalett Anthropic, għal codebases diġà miktuba kontra dik il-forma./v1/responses— l-interfaċċa fl-istil ta' Responses.
Appoġġjati fuq dan il-mudell: streaming, sejħa ta' għodod nattiva, output strutturat strett b'json_schema, response_format, u reasoning_effort. Referenza sħiħa tal-parametri u playground ħaj jinsabu fid-dokumentazzjoni tal-API.
10Limiti onesti
Erba' affarijiet li trid tkun taf qabel tibni fuqu:
- Ebda viżjoni. Test biss; ma jaċċetta ebda input ta' immaġni fuq ebda endpoint. Jekk teħtieġ mudell bla ċensura li jara, uża Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 jew inkling.
- Saqaf tal-output ta' 16,384-token. It-tokens tar-raġunament jgħoddu kontrih fuq sforz għoli, għalhekk deliberazzjoni twila tħalli anqas spazju għat-tweġiba. Għaqqad talbiet f'katina għal xogħlijiet kbar ta' ġenerazzjoni.
- 3-bit hi kompressjoni vera. Il-punteġġi ta' referenza jiddeskrivu l-fondazzjoni, mhux dan il-build. Għal-livell l-aktar fidil, il-mudelli
W8A16(MiMo-V2.5-Pro, MiMo-V2.5, Hy3) iġorru l-inqas kwantizzazzjoni. - Bla ċensura mhux mingħajr konsegwenzi. Ebda saff ta' rifjut ifisser li r-responsabbiltà għal dak li titlob, u dak li tagħmel bit-tweġiba, tibqa' tiegħek — taħt it-termini tas-servizz tagħna u l-liġi fejn topera.
Kull pretensjoni arkitettonika u ċifra ta' benchmark f'din il-paġna ġejja minn sors primarju pubbliku. Aqrahom int stess.
11Mistoqsijiet frekwenti
X'inhi l-API bla ċensura ta' DeepSeek?
Hu l-mudell b'piżi miftuħa DeepSeek-V4-Pro servut fuq il-cluster GPU stess ta' Shannon AI mingħajr saff ta' rifjut quddiemu u mingħajr filtrar applikat għal dak li jroddi lura. Issejjaħlu fuq /v1/chat/completions, /v1/messages jew /v1/responses b'tieqa ta' kuntest ta' 262,144-token, u l-endpoint iwieġeb minflok jimmodera.
Kif dan hu differenti mill-API uffiċjali ta' DeepSeek?
L-istess lineage ta' piżi miftuħa, operatur differenti u politika differenti. Is-servizz first-party ta' DeepSeek hu irħas għal kull token u jħaddem il-moderazzjoni tiegħu stess; awditi ppubblikati minn Promptfoo u gruppi akkademiċi ddokumentaw rifjut u trażżin semantiku fuq prompts sensittivi politikament hemm. Shannon AI jħaddem il-piżi fl-Istati Uniti mingħajr saff ta' rifjut, jesponi l-isforz tar-raġunament u s-sejħa ta' għodod fuq tliet djaletti tal-API, u jiffissa checkpoint iddatat biex l-outputs ma jinbidlux taħtek.
X'ifisser 3BIT-REAP?
Żewġ passi ta' kompressjoni. REAP hu Router-weighted Expert Activation Pruning, metodu ta' Cerebras Research li jneħħi esperti rari u dgħajfa msejħa minn mudell ta' Taħlita ta' Esperti, billi jiskorja kull espert bil-valuri tal-gate tar-router tiegħu u n-normi tal-attivazzjoni tiegħu. Dak li jibqa' mbagħad jiġi kwantizzat għal piżi ta' 3-bit. Flimkien jagħmlu fondazzjoni ta' 1.6-triljun-parametru tidħol u tibqa' mgħaġġla fuq il-cluster GPU tagħna stess.
Kemm hi kbira t-tieqa tal-kuntest u l-output massimu?
262,144 token ta' kuntest u sa 16,384 token ta' output għal kull talba. Dak hu bejn wieħed u ieħor 600 sa 800 paġna ta' test dieħel, u dokument tekniku twil jew patch kbir b'diversi fajls ħiereġ. Xogħlijiet twal isiru billi tgħaqqad talbiet f'katina, mhux billi togħla l-limitu tal-output.
DeepSeek V4 Pro jappoġġja sejħa ta' għodod u output bi skema JSON?
Iva għat-tnejn. Sejħa ta' għodod nattiva, output strutturat strett b'json_schema, u response_format huma appoġġjati kollha, flimkien ma' streaming u parametru reasoning_effort. Ma jaċċettax input ta' immaġni; jekk teħtieġ viżjoni fuq mudell bla ċensura, uża Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 jew inkling minflok.
Kemm tiswa l-API bla ċensura ta' DeepSeek?
$1.95 għal kull miljun token tad-dħul u $3.90 għal kull miljun token tal-ħruġ. Fl-istess lineup bla ċensura, DeepSeek-V4-Flash tiswa $0.50 dħul u $2.00 ħruġ għall-istess kuntest ta' 262K, u GLM-5.2 tiswa $0.73 dħul u $2.34 ħruġ, għalhekk V4-Pro hu l-livell li tmur għalih meta l-problema hi diffiċli minflok kbira.
Sejjaħ lil DeepSeek V4 Pro bla ċensura
Kuntest ta' 262K, sforz ta' raġunament, sejħa ta' għodod. Djaletti OpenAI, Anthropic u Responses fuq ċavetta waħda.
Aqra d-Dokumenti tal-API Il-Karti Mudell KollhaShannon Lab LLC · New Mexico, l-Istati Uniti · mudelli servuti fuq il-cluster GPU tagħna stess
Sorsi: DeepSeek-AI — karta mudell ta' DeepSeek-V4-Pro · Rapport tekniku ta' DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Rapport tekniku ta' DeepSeek-V3 · REAP the Experts (Cerebras Research) · Awditu taċ-ċensura ta' Promptfoo · Discovering Forbidden Topics in Language Models. Iċ-ċifri tal-benchmark huma rrapportati minn DeepSeek-AI għar-rilaxx ta' referenza; il-verifika indipendenti tal-parti terza tal-build kompressat għadha pendenti. Il-prezzijiet huma l-prezzijiet tal-lista ta' Shannon AI mill-5 ta' Settembru 2026.