Det usensurerte DeepSeek-API-et

De som kommer hit via uttrykket «usensurert DeepSeek-API» vil ha én bestemt ting: en modell med DeepSeeks resonnerings- og kodeevne som svarer på spørsmålet de faktisk stilte. Kapasitetshalvdelen er godt dokumentert — DeepSeek-AI publiserte arkitekturen og tallene, og vektene ligger på Hugging Face under MIT. Den andre halvdelen er en driftsbeslutning, og den tas som regel for deg. Denne siden dekker begge deler: hva V4-Pro-grunnmodellen er, hva vår 3BIT-REAP-bygging gjør med den, og nøyaktig hva «usensurert» betyr når vi sier det.

01Hva «usensurert DeepSeek-API» faktisk betyr

To ulike mekanismer havner under det samme ordet. Den første er justering bakt inn i vektene — avvisningsatferd lært under ettertrening. Den andre er et modereringslag på serversiden: en egen klassifiserer som inspiserer prompten din før modellen ser den, og utdataene før du ser dem, og som kan kutte et svar midt i setningen uansett hva modellen ville sagt.

Begge lar seg måle, og DeepSeeks egen tjeneste er blitt målt. Promptfoo satte sammen et sett på 1 360 politisk sensitive spørsmål og rapporterte at DeepSeeks hostede R1 avviste eller unnvek 1 156 av dem — omtrent 85 %. Akademisk arbeid på den samme familien fant en distinkt feilmodus forfatterne kalte tankeundertrykking, der modellens resonneringsspor stopper nesten så snart det begynner på et sensitivt tema. En egen revisjon publisert i Information Sciences dokumenterte undertrykking på semantisk nivå: innhold som er til stede i modellens interne resonnering, men som stille utelates eller skrives om før det når brukeren. Det er et vanskeligere problem enn en åpen avvisning, fordi et avkortet svar ser ut som et svar.

Det vi kjører er utgivelsen med åpne vekter, på maskinvare vi selv drifter, i USA, under Shannon Lab LLC. Det finnes ikke noe avvisningslag foran modellen og ikke noe filter på det som kommer tilbake: prompten din klassifiseres ikke mot en policy før den serveres, og utdatastrømmen inspiseres ikke på vei ut. Fordi grunnmodellen er MIT-lisensiert og offentlig, kan du selv sammenligne utdataene våre mot referansevektene i stedet for å ta oss på ordet.

02Grunnmodellen: DeepSeek-V4-Pro, en MoE på 1,6 billioner

DeepSeek-V4 er DeepSeek-AIs nåværende familie med åpne vekter, forhåndsvist i april 2026 og utgitt under MIT i to størrelser: V4-Flash (284 mrd. totalt, 13 mrd. aktivert) og V4-Pro (1,6 bill. totalt, 49 mrd. aktivert). Denne artikkelen handler om Pro-nivået. Begge ble førtrent på omtrent 33 billioner tokens, og begge støtter kontekst på én million tokens fra bunnen av.

Det er sparsomhetsforholdet som er verdt å merke seg: bare rundt 3 % av parameterne fyrer av på et gitt token, og det er dette som overhodet gjør en modell av denne størrelsen mulig å servere. Selve MoE-blokken er fortsatt DeepSeekMoE — de finkornede rutede ekspertene pluss de alltid påslåtte delte ekspertene som ble introdusert i V2 — med bare små V4-endringer, mest synlig hash-ruting i de tidligste lagene. Multi-Token Prediction, hjelpemålet fra V3 som også muliggjør spekulativ dekoding, er beholdt uendret.

De nye delene i V4 er strukturelle. Manifold-Constrained Hyper-Connections (mHC) erstatter den enkle residualbanen med en lært blandingsmatrise som holdes på mangfoldigheten av dobbelt stokastiske matriser via en Sinkhorn–Knopp-projeksjon — en residualstrøm som vekter seg om per inndata uten den numeriske driften som tar livet av svært dype stabler. Treningen flyttet fra AdamW over til Muon for de fleste moduler, med Newton–Schulz-ortogonalisering, mens AdamW er beholdt bare for innbygginger, prediksjonshoder, normalisering og de statiske mHC-parameterne. Og ekspertvektene trenes i FP4 mens de fleste andre parametere er i FP8 — kvantiseringsbevisst fra starten, noe som betyr mye for hvor pent modellen tåler ytterligere komprimering.

03Fra MLA til CSA + HCA: slik holder DeepSeek lang kontekst billig

DeepSeeks røde tråd gjennom fire generasjoner er ikke størrelse, det er oppmerksomhetsøkonomi. Hver versjon har angrepet KV-cachen, som vokser lineært med konteksten og dominerer minnebruken ved lange lengder.

• V2 introduserte Multi-head Latent Attention (MLA) — en lavrangs felleskomprimering av nøkler og verdier til én latent vektor, slik at generering cacher den vektoren pluss en frakoblet RoPE-nøkkel i stedet for full K og V per hode. DeepSeek rapporterte at KV-cachen falt til omtrent 4–14 % av standard multi-head attention, med kvaliteten holdt eller forbedret.
• V3 skalerte det til 671 mrd., og gjorde MLA til den underforståtte standarden for billig lang kontekst i åpne modeller.
• V3.2 la til DeepSeek Sparse Attention (DSA), som velger et topp-k-utvalg av historikken per spørring gjennom en lettvekts indekserer i stedet for å gi oppmerksomhet til alt.
• V4 hybridiserer. Compressed Sparse Attention (CSA) komprimerer først KV-oppføringene for hvert m-te token til én oppføring med lærte vekter, og kjører deretter sparsom topp-k-utvelgelse over de komprimerte oppføringene. Heavily Compressed Attention (HCA) komprimerer langt mer aggressivt, men holder seg tett over resultatet. De to lagtypene er flettet inn gjennom stabelen, slik at billig globalt sammendrag og presis lokal gjenfinning kan sameksistere.

Den rapporterte gevinsten ved kontekst på én million tokens er slående: V4-Pro trenger omtrent 27 % av inferens-FLOPs per token og 10 % av KV-cachen sammenlignet med V3.2. Det er derfor en forespørsel på 262K oppfører seg som en vanlig forespørsel og ikke som en minnehendelse, og derfor tallene for gjenfinning i lang kontekst holder seg i stedet for å kollapse etter noen titalls tusen tokens.

04Hva endelsen 3BIT-REAP betyr

Katalog-ID-en vår slutter på 3BIT-REAP, og det beskriver to uavhengige komprimeringssteg utført i rekkefølge.

REAP: å beskjære eksperter, ikke slå dem sammen

REAP står for Router-weighted Expert Activation Pruning, fra Cerebras Research — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», antatt til ICLR 2026. I en sparsom MoE bruker ikke ruteren ekspertene sine jevnt: en lang hale velges sjelden, svakt, eller begge deler. REAP scorer hver ekspert ved å kombinere ruterens portverdier (hvor ofte og hvor sterkt den velges) med ekspertens aktiveringsnormer (hvor mye utdataene dens bidrar), og sletter deretter taperne helt.

Artikkelens argument er at beskjæring slår sammenslåing: sammenslåing midler bort den funksjonelle spesialiseringen som gjorde MoE-en verdt å bygge, mens det å slette ekspertene ruteren knapt når bevarer den. På tvers av modeller fra 20 mrd. til 1 bill. slo REAP både sammenslåing og konkurrerende beskjæringsmetoder på generative benchmarks, og forfatterne rapporterer nesten tapsfrie resultater på kodegenerering og verktøykall ved 50 % ekspertbeskjæring på Qwen3-Coder-480B og Kimi-K2 — som er nøyaktig den arbeidsprofilen denne modellen er her for.

3-bits vekter: komprimeringsnivået for de største grunnmodellene

Det som overlever, kvantiseres deretter til 3-bits vekter. Tre bit er aggressivt, og vi later ikke som noe annet: på tvers av porteføljen bruker vi W8A16 der grunnmodellen er liten nok til å slippe klemmen, W4A16-AUTOROUND-REAP i midtsjiktet, og 3BIT-REAP bare på de aller største grunnmodellene, der det er forskjellen på å servere modellen og ikke servere den.

Avveiingen er verdt å si rett ut: en 3-bits MoE på 1,6 billioner er ikke bit-identisk med referanseutgivelsen, og en liten kvalitetskostnad er reell. Det du får igjen, er en grunnmodell hvis ukomprimerte tak ligger langt over alt som får plass med romslig presisjon — og fordi V4s eksperter ble trent i FP4 fra starten, oppfører modellen seg uvanlig pent under ytterligere vektkomprimering. Vil du ha en DeepSeek-bygging med lettere hånd om presisjonen, bruker DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-bits vekter med 16-bits aktiveringer og AutoRounds lærte avrunding, på den samme 262K-konteksten til $0.50 inn / $2.00 ut.

05Resonnering, og reasoning_effort-bryteren

V4s ettertrening trener domenespesialister hver for seg — matematikk, koding, agenter, instruksjonsfølging — med SFT etterfulgt av GRPO, metoden Group Relative Policy Optimization som DeepSeek introduserte med R1. Spesialistene forenes deretter til én modell ved on-policy-destillasjon under et revers-KL-mål, slik at ett enkelt sjekkpunkt bærer spesialistkvalitet i flere domener samtidig i stedet for å være en generalist som er middelmådig i alt.

Den utgitte modellen eksponerer graderte tenkemodi i stedet for en av/på-bryter. Hos oss er det standardparameteren reasoning_effort, den enkeltbryteren som er mest nyttig på denne modellen:

• Lav — nesten direkte svar: klassifisering, uttrekk, omskriving, alt der du betaler for modellens kunnskap snarere enn dens overveielse.
• Middels — standard arbeidsmodus for kodegjennomgang, feilsøking og flerstegsanalyse.
• Høy — lang overveielse før svaret. Det er her de vanskelige problemene løses, og det er her ut-token-regningen din bor, siden resonneringstokens faktureres som utdata.

Fordi det ikke finnes noe avvisningslag, blir ikke resonneringssporet avkortet på sensitive temaer — mønsteret med tankeundertrykking som er dokumentert på førstepartstjenesten har ingen mekanisme å oppstå gjennom her.

06Kode og agentarbeid: hva grunnmodellen skårer

Dette er DeepSeek-AIs egne publiserte tall for V4-Pro-utgivelsen — ikke våre, og ikke målt på vår kvantiserte bygging. Vi viser dem fordi de er den ærlige grunnen til å velge denne grunnmodellen, og vi merker dem som førsteparts slik at du kan vekte dem deretter.

To av dem fortjener en kommentar. SWE-bench Verified på 80,6 % er løsning av faktiske issues i ekte kodebaser — å lese en ukjent kodebase, finne defekten, og produsere en patch som består prosjektets egne tester. MRCR ved én million tokens (83,5) er flerrunders koreferansegjenfinning i full lengde, tallet som forteller deg at påstanden om lang kontekst ikke er pynt. DeepSeek rapporterer også en Codeforces-rating på 3206 for modellen, og 62,0 på CorpusQA ved 1M kontekst.

Tallene ovenfor er rapportert av DeepSeek-AI for referanseutgivelsen av DeepSeek-V4-Pro. Vår 3BIT-REAP-bygging er en komprimert variant av de vektene og er ikke uavhengig målt på disse oppgavene; behandle referanseskårene som grunnmodellens tak, ikke som en måling av dette endepunktet.

07262K kontekst: hva som faktisk får plass

Referansemodellen er trent for én million tokens. Vi serverer 262,144 — vinduet alle modellene på gatewayen deler, slik at det å bytte modell er en endring på én linje og aldri et kontekstfall. I praksis er 262K forbi punktet der konteksten er den bindende skranken for det meste av virkelig arbeid:

Arbeidsmengde	Ca. tokens	Får plass i 262K?
Mellomstort tjenesterepo (~50 000 linjer)	~600K	Nei — velg moduler
Ett delsystem + testene til det	~60–120K	Ja, med god margin
Full RFC-samling for en protokoll	~150K	Ja
En teknisk bok på 700 sider	~250K	Ja, nær grensen
Lang agentkjøring, 40+ verktøyrunder	~80–200K	Ja

Grensen du må planlegge rundt er utdata: maksimalt 16,384 tokens per svar. Det er et langt dokument eller en solid patch over flere filer, men ikke en kodebase. Store genereringsjobber gjøres ved å lenke sammen forespørsler med forrige utdata tilbake i konteksten — noe 262K-vinduet gjør billig — heller enn ved å be om én enorm fullføring.

08Pris, og hvor V4-Pro plasserer seg i porteføljen

Til $1.95 inn / $3.90 ut per million tokens er V4-Pro flaggskipnivået for resonnering — modellen du griper til når problemet er vanskelig. Når det bare er stort, klarer billigere modeller på det samme 262K-vinduet jobben til en fjerdedel av prisen.

Usensurert modell	Inn / 1M	Ut / 1M	Syn	Best til
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nei	Vanskelig resonnering, kode, agenter
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Nei	Samme opphav, høyt volum
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nei	Allsidig arbeidshest
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ja	Multimodale agenter i toppsjiktet
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ja	Billigste syn

La oss være ærlige om sammenligningen folk faktisk kommer til å gjøre: DeepSeeks eget API er billigere enn dette — førsteparts V4-Pro er listet til rundt $0.435 inn / $0.87 ut, og prisen deres for cachetreff på inndata er enda lavere. Er pris per token ditt eneste kriterium, og modereringsatferden ikke påvirker arbeidet ditt, så bruk førsteparts-API-et; vi sier det heller nå enn at du oppdager det senere. Påslaget kjøper deg et annet sett egenskaper: ingen avvisningslag og ingen utdatafiltrering, en amerikansk operatør under Shannon Lab LLC, et låst datert sjekkpunkt (0813) slik at en stille oppgradering oppstrøms aldri endrer utdataene dine midt i et prosjekt, tre API-dialekter mot én modell, og det samme 262K-vinduet og den samme parameterflaten på tvers av alle tolv modellene i porteføljen.

09Å kalle den: tre dialekter, én modell

Alle modellene på gatewayen svarer på alle tre endepunktene, med strømming på hvert av dem. Du tar ikke i bruk en ny SDK — du bytter en base-URL og en modell-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 — OpenAI-dialekten; virker med OpenAI-SDK-ene og alt som er bygget på dem.
• /v1/messages — Anthropic-dialekten, for kodebaser som allerede er skrevet mot den formen.
• /v1/responses — grensesnittet i Responses-stil.

Støttet på denne modellen: strømming, innebygde verktøykall, streng strukturert utdata med json_schema, response_format og reasoning_effort. Full parameterreferanse og en levende lekegrind finner du i API-dokumentasjonen.

10Ærlige begrensninger

Fire ting du bør vite før du bygger på den:

• Ingen syn. Kun tekst; den tar ikke imot bilder som inndata på noe endepunkt. Trenger du en usensurert modell som ser, bruk Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 eller inkling.
• Tak på 16,384 tokens utdata. Resonneringstokens teller mot det ved høyt tenkenivå, så en lang overveielse legger igjen mindre plass til selve svaret. Lenk sammen forespørsler for store genereringsjobber.
• 3 bit er en reell komprimering. Referanseskårene beskriver grunnmodellen, ikke denne byggingen. For nivået med høyest troskap er det W8A16-modellene (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) som bærer minst kvantisering.
• Usensurert er ikke konsekvensfritt. Ingen avvisningslag betyr at ansvaret for hva du spør om, og hva du gjør med svaret, ligger hos deg — under våre vilkår for bruk og loven der du opererer.

11Ofte stilte spørsmål

---

Kilder: DeepSeek-AI — modellkort for DeepSeek-V4-Pro · Teknisk rapport for DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Teknisk rapport for DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfoos sensurrevisjon · Discovering Forbidden Topics in Language Models. Benchmark-tallene er rapportert av DeepSeek-AI for referanseutgivelsen; uavhengig tredjepartsverifisering av den komprimerte byggingen gjenstår. Prisene er Shannon AIs listepriser per 5. september 2026.