بې سانسوره DeepSeek Flash API

ډېری هغه ټیمونه چې یو LLM API ارزوي، غلط متغیر غوره کوي. دوی پر هغو سختو شلو غوښتنو باندې معیار اخلي چې فکر يې کولی شي، ګټونکی ټاکي، او شپږ اونۍ وروسته پوهېږي چې د دوی د ترافیک پنځه نوي سلنه لنډ، جوړښتي، تکراري کار دی چې یو څلورمه برخه ارزانه ماډل به يې په ورته توګه اداره کړی و. DeepSeek-V4-Flash د هماغه پنځه نوي سلنې لپاره شته. دا پاڼه د دې په اړه ده چې پوه شئ کله پکې یاست — او کله پکې نه یاست.

01په رښتیا څه ترلاسه کوئ

ځانګړنه	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
د ماډل id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
متن / تر ټولو لویه وتنه	262,144 توکنه / 16,384 توکنه
په هر 1M بیه (دننه / بهر)	$0.50 / $2.00
سټریمینګ · د وسیلو زنګ وهل · استدلال	هو — درې واړه ژبې
جوړښتي وتنه	json_schema او response_format
انځوریزه ننوتنه (لید)	نه — یوازې متن
د ردولو پرت / د وتنې فلټر	هېڅ
پر څه خدمت کېږي	د Shannon خپل GPU کلستر

درې API ژبې هماغو وزنونو ته رسېږي: /v1/chat/completions (د OpenAI بڼه)، /v1/messages (د Anthropic بڼه)، او /v1/responses. سټریمینګ پر درېیو واړو کار کوي. د پیرامیټرونو بشپړه سرچینه په د API اسنادو کې ده.

02له کومه راځي: د DeepSeek نسب

DeepSeek-AI پنځه ماډلیز نسلونه پر یوه شوق باندې تېر کړي: د یوه داسې ماډل څخه د مخکښ چلند اخیستل چې خدمت يې ارزانه وي، نه یوازې دا چې روزنه يې ارزانه وي. په دې کرښه کې نږدې هره معماریاتي پرېکړه همدې ته ورګرځي، او مهمې يې خپرې شوې دي. درې يې تشریح کوي چې کله دې پای ټکي ته ورشئ، څه ته زنګ وهئ.

DeepSeekMoE — باریک متخصصان جمع یو ګډ

د Mixture-of-Experts یو پرت یوه لویه فیډ-فارورډ شبکه په ډېرو کوچنیو او یوه روټر بدلوي چې په هر توکن کې یو څو ټاکي. د DeepSeek ډول متخصصان له دودیز اته-متخصصه ترتیب څخه باریک پرې کوي، نو هماغه فعال شوي FLOPs یو ډېر ترکیبي ځانګړی مخلوط اخلي، او دا یو ګډ متخصص جلا کوي چې هر توکن ترې تېرېږي، نو ګډه پوهه په هر متخصص کې په تکراري توګه بیا نه زده کېږي. DeepSeek-V3 دا د 256 روټ شویو متخصصانو جمع 1 ګډ متخصص په توګه ولېږه، چې په هر توکن کې 8 روټ شوي فعالوي — 671B ټول پیرامیټرونه، 37B فعال — تر څنګ يې د مرستندویه-زیان پرته د بار توازن: د یوه جریمه یز اصطلاح پرځای چې کیفیت خرابوي، په هر متخصص کې یو تعصب د روټینګ نمرې په هر ګام کې پورته یا ښکته کوي، لکه څنګه چې هغه متخصص کم بار یا ډېر بار وي.

MLA — هغه پاملرنه چې په حافظه کې ځایېږي

د خدمت د لګښت د ستونزې بله نیمه برخه KV کیش دی، چې له متن سره په خطي توګه لویېږي او په اوږدو لړیو کې پر حافظه باندې واکمن وي. Multi-head Latent Attention، چې په DeepSeek-V2 کې ورپېژندل شوه، کیلۍ او ارزښتونه په ګډه سره په یوه ټیټ رتبې پټ ویکتور کې فشاروي او هغه کیش کوي، بیا په چټکۍ سره د کارونې وړ K/V بیا جوړوي. د DeepSeek خپرې شوې V2 شمېرې، د دوی د پخواني ډک DeepSeek 67B په مقابل کې، په KV کیش کې د 93.3% کمښت او 5.76× لوړ تر ټولو ډېر تولیدي تېرښت راپوروي. همدا لامل دی چې په دې ډله کې یوه 262K توکنیزه کړکۍ یوه بنسټیزه شرط ده نه یوه پورتنۍ زیاتونه.

کثیفه پاملرنه — او د ارزانو توکنو لپاره یوه بېلګه

V3.2-Exp DeepSeek Sparse Attention ورزیاته کړه: یو سپک فهرست کوونکی متني توکنه د پوښتنې په مقابل کې ارزوي، او یو ټاکونکی یوازې لوړ نمرې لرونکي ساتي. په زړه پورې برخه رسید دی، نه میکانیزم. DeepSeek د V3.1-Terminus په مقابل کې یو څنګ په څنګ خپور کړ چې MMLU-Pro په 85.0 کې یو شان و، AIME 2025 پورته (88.4 → 89.3)، SWE-bench Verified یو څه ښکته (68.4 → 67.8) — په اصل کې هوار کیفیت — او په هماغه ورځ يې خپلې د API بیې له 50% څخه ډېرې راکمې کړې. معماري، چې په رښتیا راپور شوې، مستقیماً په بیه بدلېږي. Flash همدا دلیل دی چې یو ګام نور مخکې وړل شوی.

د V4 نسل

V4، چې د 2026 په اپریل کې د MIT جواز لاندې مخکې وښودل شو، د پاملرنې لړ بیا د Compressed Sparse Attention او Heavily Compressed Attention په یوه ګډون بدلوي، له 32T څخه پر ډېرو توکنو باندې د Muon غوره کوونکي سره روزنه کوي، او د V3 څو توکنیزې وړاندوینې موخه ساتي — چې په اټکلي ډیکوډ کې هم کار ورکوي، او DeepSeek په V3 کې د دویم توکن د منلو کچه 85–90% اندازه کړه چې نږدې 1.8× د ډیکوډ ګړندیوالی ورکوي. د V4 لنډیز راپوروي چې V4-Pro د V3.2 د یو توکنیز اټکل په 27% FLOPs او د KV کیش په 10% کې چلېږي. ډله درې د استدلال د هڅې کچې څرګندوي، او زموږ د reasoning_effort پیرامیټر همدې ته نقشه کېږي.

سرچینې: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · د DeepSeek-V3 تخنیکي راپور (arXiv 2412.19437) · د DeepSeek-V3.2-Exp د ماډل کارت · DeepSeek-V4 (arXiv 2606.19348). ټولې شمېرې د DeepSeek راپور شوې دي.

03«Flash» په رښتیا څه معنا لري

دا هغه ټکی دی چې ډېری پرتلې يې غلطوي، نو ارزښت لري چې په ساده توګه ووایو: د DeepSeek Flash یو کوانټایز شوی، کټ شوی یا ډیسټیل شوی Pro نه دی. دا په جلا توګه روزل شوی، کوچنی Mixture-of-Experts ماډل دی چې خپله مخکینۍ روزنه لري. د V4 د مخکینۍ کتنې مقاله دواړه اندازې ورکوي:

شمېرې د DeepSeek-V4 د مخکینۍ کتنې له مقالې څخه. هغه رسمي چیک پوینټونه چې موږ يې خدمت کوو — V4-Flash-0731 او V4-Pro-0813 — پر خپلو د ماډل کارتونو باندې یو څه لوی ټولټالونه، 304B او 1.7T، لیستوي؛ DeepSeek د هغو جوړښتونو لپاره فعال شوي پیرامیټرونه بیا نه وايي.

دوه شمېرې دلته کار کوي. ټول پیرامیټرونه د حافظې نښه ټاکي، چې پرېکړه کوي د ماډل یوه کاپي څومره هارډویر نیسي. فعال شوي پیرامیټرونه په هر توکن کې ریاضي ټاکي، چې تېرښت پرېکړه کوي. Flash په لومړي کې نږدې 5.6× کوچنی او په دویم کې 3.8× کوچنی دی — او په هغه واټن کې یو ظرافت شته چې د لیدلو وړ دی: Flash له 284 میلیارده څخه 13 فعالوي، نږدې 4.6%، حال دا چې Pro له 1,600 میلیارده څخه 49 فعالوي، نږدې 3.1%. Flash لږ کثیف ماډل دی. دا په ساده توګه Pro نه دی چې لږ متخصصان يې فعال وي؛ دا یو ډکتر، په بل ډول متوازن ډیزاین دی چې د خپل ځان لویه برخه پر هر هغه توکن باندې لګوي چې جوړوي يې. دا یوه ریښتینې انجینري پرېکړه ده، نه یوه ښکته کول.

د DeepSeek خپلې شمېرې څه وايي

دواړه رسمي د ماډل کارتونه پر هماغو اجنټي او سافټویر انجینري معیارونو باندې نمرې خپروي، چې دا یوه غیرعادي پاکه پرتله ګرځوي — هماغه څېړنځی، هماغه د ارزونې داربست، دوه اندازې:

معیار (د DeepSeek راپور شوی)	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 هره کرښه ګټي. دا رښتینی سرلیک دی، او موږ غواړو چې دلته يې ولولئ نه دا چې په تولید کې يې ومومئ. مګر واټنونه ولولئ، ځکه چې همدا هغه څه دي چې تاسو يې په رښتیا اخلئ. پر Terminal Bench 2.1 باندې واټن 5.2 ټکي دی، پر یوه داسې ماډل باندې چې د پیرامیټرونو پنځه ویشتمه برخه لري؛ د وسیلو په کارونه کې 3.8 ټکي دی. واټن هلته پراخېږي چېرته چې کار تر ټولو ژور وي — پر DeepSWE باندې 8.3 ټکي، پر NL2Repo باندې 7.3، چې دواړه دوامدار څو ګامیز کوډي استدلال ته بدله ورکوي. دا په یوه جدول کې د سودا بڼه ده: Flash پر محدودو دندو باندې ډېره برخه واټن تړي او پر خلاصو باندې ځمکه ورکوي.

د DeepSeek خپل د Flash کارت دا ټکی نور هم تېز کوي: Flash-0731 پر لیست شویو معیارونو باندې د V4-Pro مخکینۍ کتنه مخکې کوي، سره له خپلو ډېرو کمو فعال شویو پیرامیټرونو. دا چې یو نوی کوچنی ماډل یو زوړ لوی مات کړي، په دې ډګر کې عادي حالت دی، او همدا لامل دی چې «لوی پوړ» باید هېڅکله ستاسو تلپاتې ځواب نه وي.

04د تاړي لوستل: W4A16-AUTOROUND-REAP

زموږ د ماډل id ګانې خپله د فشارولو طرحه په لوړ غږ وايي، ځکه چې همدا هغه شی دی چې د وتنې پر کیفیت باندې تر ټولو ډېر اغېز لري او نږدې هېڅوک يې نه څرګندوي. دا یو په درې ادعاوو ویشل کېږي.

W4A16 — 4-بیټه وزنونه، 16-بیټه فعالېدنې

وزنونه هر یو په 4 بیټو کې زېرمه کېږي؛ فعالېدنې په 16-بیټه دقت کې تېرېږي. دا یوازې-وزنیز کوانټایزېشن دی، او هغه اصلي خنډ نښه کوي چې د توکن په تولید کې د حافظې د پټلۍ پراخوالی دی نه ریاضي. د فعالېدنو کوانټایزول به یو څه نور سرعت واخلي او د دقت د یوې ډېرې لویې غونډۍ خطر راولي؛ په 16 بیټو کې پرېښودل يې محافظه کاره، لوړ وفاداره پرېکړه ده. یادونه د خدمت د بوم ییز نظام لنډیز دی — د کوانټایزېشن ادبیات هماغه شی د W4 په توګه له یوې ډلې اندازې سره لیکي.

AUTOROUND — زده شوی ګردوالی، نه نږدې ګردوالی

ساده کوانټایزېشن هر وزن تر ټولو نږدې د استازیتوب وړ ارزښت ته ګرد کوي. دا په څرګنده توګه غوره نه ده: یو وزن «غلط» لور ته ګرد کول کولی شي هغه تېروتنه لغوه کړي چې ګاونډیو يې راوستې، او له میلیاردونو وزنونو سره هغه اغېزې واکمنې کېږي. AutoRound، د Intel له خوا، پخپله د ګرد کولو پرېکړه د یوه داسې شي په توګه ګوري چې زده کېدلی شي — یو د روزنې وړ په هر وزن کې خنډ چې تر ±0.5 پورې محدود دی، بېخي دومره چې هره یوازینۍ د ګرد کولو پرېکړه واړوي او هېڅکله ډېره نه، جمع د زده کېدو وړ د کچ کولو ساحې، چې د یوې کوچنۍ د تنظیم ټولګې پر سر د بلاک په کچه د وتنې د بیا جوړولو د یوې موخې په مقابل کې د نښه شوي ګرادیانټ ښکته کېدو په واسطه غوره شوي. دوه سوه ګامونه، بیا بس.

د Intel خپرې شوې پرتلې AutoRound په 4-بیټه یوازې-وزنیزو تنظیماتو کې له 32 ازمویل شویو حالتونو څخه په 30 کې د GPTQ، په 32 کې له 27 کې د AWQ او په 32 کې له 29 کې د OmniQuant څخه غوره ښیي، له ساده نږدې-ګرد کولو څخه په 2 بیټو کې د 6.9 تر 33.2 دقت ټکو ګټې سره. هېڅ يې د اټکل پر مهال څه نه لګوي: دا د شمېرو یوه غوره ټاکنه ده، چې یو ځل، بهر له کرښې، شوې.

REAP — د هغو متخصصانو غورځول چې هېڅوک ورته روټ نه کوي

REAP (Router-weighted Expert Activation Pruning)، د Cerebras Systems او د Calgary پوهنتون له خوا، د MoE ماډلونو لپاره یو ځلي فشارول دي. دا هر متخصص په دې ارزوي چې روټر څومره ټینګ او څو ځله ورته دروازه کوي، ضرب په د هغه متخصص د وتنې په کچه، بیا تر ټولو لږ بارز متخصصان په مستقیم ډول غورځوي — وروسته يې هېڅ بیا روزنه نشته.

د مقالې مرکزي موندنه ګټوره ده: په لوړو فشاري نسبتونو کې، د متخصصانو کټول تر یوځای کولو غوره دي. په دنده ییز ډول بېلو متخصصانو یوځای کول هغه څه راولي چې لیکوالان يې د دنده ییز فرعي فضا نسکورېدل بولي — روټر هغه باریک، پر ننوتنې پورې تړلی کنټرول له لاسه ورکوي چې MoE يې د جوړولو وړ ګرځاوه، او پاتې يې د ثابتو منځنیو ترمنځ لارښوونه کول دي. د دوی شمېرې له 20B تر 1T پیرامیټرونو پورې د ماډلونو په اوږدو کې: پر کوډي دندو باندې په 25% متخصص فشار کې، REAP 2.8% منځنی دقت له لاسه ورکوي، حال دا چې د یوځای کولو بنسټونه له 5% څخه ډېر له لاسه ورکوي؛ په 50% کې، REAP 8.0% له لاسه ورکوي حال دا چې یوځای کول له 20% څخه ډېر. پر Qwen3-Coder-480B باندې په 50% کټولو کې راکمښت 1.4% دی، د ساده پر فریکونسي ولاړ کټولو لپاره د 39.3% په مقابل کې. Cerebras د نورو تر څنګ د DeepSeek د کرښې لپاره د REAP چیک پوینټونه خپاره کړي.

ولې دلته 4-بیټه او پر Pro باندې 3-بیټه

دواړه پوړونه باید پر هماغې ټولګۍ هارډویر باندې ځای شي او چټک پاتې شي. Pro 1.7 ټریلیون پیرامیټرونه وړي، نو ورته اړتیا ده چې د 3-بیټه تېز چلند ولري ترڅو اصلاً ځای شي. Flash نږدې 300 میلیارده وړي، نو ورته اړتیا نشته — او هغه بیټ چې سپموي، د ځایېدو پرځای پر وفادارۍ لګېږي.

هغه اضافي بیټ تر هغه ډېر مهم دی چې ریاضي يې وايي، ځکه چې د کوانټایزېشن زیان خطي نه دی. د AWQ مقالې د WikiText-2 په اندازه کولو کې، Llama-2-7B له FP16 کې له 5.47 پیچلتیا څخه په 4-بیټه کې 5.60 ته ځي — یوه 2.4% جریمه — مګر په 3-بیټه کې 6.24 ته، یوه 14% جریمه. دا نږدې د 25% ډېر فشار لپاره شپږ ځله زیان دی، او هماغه بڼه په 70B کې هم پاتې ده. د GPTQ مقاله لا نور هم بربنډه ده: په 3 بیټو کې، ساده نږدې-ګرد کول پر 175B ټولګۍ ماډلونو باندې نسکورېږي، په زرګونو پیچلتیا کې، حال دا چې په 4 بیټو کې بشپړ د کارونې وړ پاتې کېږي. له څلورو بیټو ښکته، یو ښه د کوانټایزېشن الګوریتم نور یو ښایست نه دی او هغه یوازینی شی کېږي چې ماډل سره ټینګوي.

نو د دې دوو تاړیو رښتینې لوستنه دا ده: Flash خپل بې فشاره ځان ته تر هغه نږدې دی چې Pro خپل ته دی. Pro لا هم پیاوړی ماډل دی — پورتنی د معیارونو جدول دا پرېکړه کوي. یوازې دا چې دلته رسېدو ته يې ډېر څه ورکړي، او تاسو د دې امتیاز لپاره پیسې ورکوئ.

سرچینې: 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. د پیچلتیا شمېرې له AWQ (arXiv 2306.00978) او GPTQ (arXiv 2210.17323) څخه.

05پر پای ټکي باندې Flash په مقابل کې Pro

برخه 03 بنسټونه پوښل. دلته دا ده چې دا دوه پوړونه زموږ پر ګېټوې باندې د محصولاتو په توګه څنګه ښکاري:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
کوانټایزېشن	W4A16-AUTOROUND-REAP	3BIT-REAP
د وزن دقت	4-بیټه، زده شوی ګردوالی	3-بیټه
بنسټ (ټول / فعال)	~304B / 13B	~1.7T / 49B
په هر 1M توکنو دننه	$0.50	$1.95
په هر 1M توکنو بهر	$2.00	$3.90
متن / تر ټولو لویه وتنه	262,144 / 16,384	262,144 / 16,384
وسیلې · جوړښتي وتنه · سټریمینګ	هو	هو
لید	نه	نه
د ردولو پرت	هېڅ	هېڅ

وګورئ چې څه نه بدلېږي: متن، د وتنې چت، د وسیلو زنګ وهل، جوړښتي وتنه، او د ردولو د پرت نشتوالی یو شان دي. یوازې هغه څه چې خوځېږي بنسټ، کوانټایزېشن او بیه ده. دا د دوی ترمنځ بدلول ستاسو په کوډ کې د یوې تار بدلون او ستاسو په معمارۍ کې یوه بشپړه اقتصادي پرېکړه ګرځوي.

یوه تر ټولو لویه بلنه څومره لګښت لري

ټول 262,144 توکنیز متن ډک کړئ او بشپړه 16,384 توکنیزه وتنه واخلئ:

په لیست بیه. Flash: $0.131 دننه + $0.033 بهر. Pro: $0.511 + $0.064. نسبت 3.51×. Flash د $0.50 / $2.00 فرش له MiniMax-M3، Laguna-S-2.1، MiMo-V2.5، MiMo-V2.5-Pro او Hy3 سره هم شریکوي — وګورئ بشپړ کتلاګ چې هغه پر لید او جوړښتي وتنه څنګه توپیر لري.

06د حجم ریاضي، چې حل شوې

«3.9× ارزانه» یوازې پر دننه باندې ریښتیا ده. پر بهر باندې Flash 1.95× ارزانه دی. نو ستاسو ریښتینې سپما ستاسو د دننه-تر-بهر پر نسبت پورې اړه لري، او واټن يې دومره پراخ دی چې د ډیزاین پرېکړې بدلوي. څلور ریښتیني کاري بارونه، هر یو په 100,000 غوښتنو کې:

کاري بار	دننه / بهر په هره بلنه	Flash	Pro	سپما
د تکټ ډلبندي	1,200 / 120	$84	$281	3.3×
د RAG پوښتنو ځواب	8,000 / 600	$520	$1,794	3.4×
د اوږد سند لنډیز	60,000 / 1,500	$3,300	$12,285	3.7×
د مصنوعي معلوماتو تولید	500 / 2,000	$425	$878	2.1×

بڼه: څومره چې ډېر متن ورکوئ او څومره چې لږ متن جوړوئ، هومره ډېر Flash تاسو ته سپموي. د بیا موندنې کړۍ، د سند ډلبندي، د لاګ او لیکل شوي متن شننه، او د اوږد متن استخراج تر ټولو خوږ ځای دی — هغوی په یوه درجه دننه-واکمن دي، او دننه هغه ځای دی چې 3.9× تخفیف پکې ژوند کوي. که پرځای يې ستاسو کاري بار یوه لنډه غوښتنه وي چې زرګونه توکنه نثر جوړوي، واټن نږدې 2× ته راټیټېږي او د Pro لپاره د وړتیا دلیل په ورته کچه پیاوړی کېږي.

یوه بله ریاضي چې د ذهني کولو وړ ده: په هر میلیون دننه توکنو کې په $0.50 کې، ټوله 262,144 توکنیزه کړکۍ ډکول 13.1 سنټه لګښت لري. په دې بیه کې اوږد متنیزه غوښتنه کول نور د بودیجې پوښتنه نه پاتې کېږي، چې کله کله معنا يې دا ده چې تاسو کولی شئ د بیا موندنې یو پرت بېخي جوړ نه کړئ او پرېږدئ چې متنیزه کړکۍ کار وکړي — یوه انجینري سپما د توکنو د سپما پر سر.

07«بې سانسوره» دلته، په دقیقه توګه، څه معنا لري

کلیمه په ډډه توګه کارېږي، نو دلته زموږ تعریف دی، چې د پای ټکي د یوې ځانګړنې په توګه ویل شوی: د ماډل مخې ته د ردولو هېڅ ډلبندونکی نشته او پر وتنه يې د محتوا هېڅ فلټر نه لګېږي. هېڅ شی یوه غوښتنه نه نیسي چې یو ډبه ییز رد بېرته کړي؛ هېڅ شی بشپړونه نه ګوري چې پټه يې کړي. د لوړ حجم تولیدي کار لپاره پایلې يې تر هغه لږ ډرامایي او ډېرې ګټورې دي چې کلیمه يې وايي:

• پر بې زیانه ترافیک باندې غلط مثبتونه نشته. فلټر شوي پای ټکي په منظم ډول طبي لنډیزونه، امنیتي لیکنې، حقوقي کشف، افسانې، د زیان د کمولو مواد او پخپله د اعتدال کار ردوي — بېخي هغه کټګورۍ چې یو ډله ییز کار پکې د یوې حساسې موضوع په اړه متن پروسس کوي نه دا چې څه زیانمن جوړوي. په سل زره غوښتنو کې، د یوه سلنه غلط ردولو کچه زر ماتې کرښې دي.
• ټاکلي تړونونه. د یوه json_schema ځواب وغواړئ او تاسو ته JSON درځي چې له سکیما سره سمون خوري، نه د بښنې یوه پراګراف چېرته چې باید یو شی وي. ستاسو پارس کوونکي ته د ردولو څانګې ته اړتیا نشته، او ستاسو د بیا هڅې منطق ته اړتیا نشته چې د لېږد ناکامي له پالیسي ناکامۍ څخه بېله کړي.
• پالیسي ستاسو ده. دا سودا ده. که ستاسو محصول ستاسو د پای کارونکو لپاره خوندي پولو ته اړتیا لري، تاسو يې پر خپل پرت باندې جوړوئ، چېرته چې خپل کارونکي او خپله قضایي ساحه پېژنئ، نه دا چې د یوه چمتو کوونکي اټکلونه د دواړو په اړه په میراث واخلئ. ستاسو حساب زموږ د مسؤلانه کارونې پالیسۍ لاندې پاتې کېږي.

بې سانسوره له بې همغږي یا بې ګټې سره یو شان نه دی. ماډل لا هم لارښوونې پیروي کوي او لا هم د سیستم غوښتنه ته درناوی کوي. که غواړئ چې ستاسو خپلو کارونکو لپاره ځینې کټګورۍ ورد کړي، هلته يې ووایاست — هغه لارښوونه اوس ستاسو ده چې ولیکئ، نه زموږ چې وتپو.

08وړتیاوې او رښتیني حدود

د حجمي کار لپاره دوه وړتیاوې ډېره وزن وړي. سخته json_schema وتنه یو بشپړونه پرته له یوه پارس کوونکي پرت او پرته له د ردولو څانګې د معلوماتو د بېس یوې کرښې ته بدلوي. په درېیو واړو ژبو کې د وسیلو زنګ وهل Flash د یوه اجنټ د ارزانو فرعي ګامونو لپاره یوه معقوله انجن ګرځوي چې پورتنی پلان جوړوونکی يې پر یوه پیاوړي ماډل باندې چلېږي. ورسره reasoning_effort زیات کړئ، چې پرېږدي تاسو اضافي توکنه یوازې د ترافیک پر هغې برخې ولګوئ چې ورته اړتیا لري، او یو 262,144 توکنیز متن چې د Pro له متن سره یو شان دی — تاسو د ارزانه پوړ په ټاکلو سره متن نه ورکوئ، چې دا غیرعادي ده.

حدود يې په ورته توګه ټاکلي دي:

• لید نشته. Flash یوازې متني دی او په یوه پیغام کې به انځوریزې برخې ورد کړي. په هماغه $0.50 / $2.00 فرش کې پر یوه بې سانسوره ماډل باندې د انځورونو لپاره، MiniMax-M3 او MiMo-V2.5 د لید وړ انتخابونه دي؛ Kimi-K2.6 او Kimi-K3 له هغه پوړ پورته پیاوړي لیدني ماډلونه دي.
• د زینې سر نه دی. د DeepSeek خپلې شمېرې Pro پر هر خپور شوي اجنټي معیار باندې مخکې ږدي، چې واټن يې پر دوامدار څو ګامیز کوډي استدلال باندې تر ټولو پراخ دی. چېرته چې یو غلط ځواب تر زرو ارزانو ډېر لګښت ولري، په هر میلیون کې اضافي $1.45 پر DeepSeek-V4-Pro ولګوئ.
• په هره غوښتنه کې 16,384 وتونکي توکنه. اوږد تولیدونه باید د بلنو په اوږدو کې ټوټه شي. دا پر هر هغه ماډل باندې هماغه چت دی چې موږ يې خدمت کوو، او دا تر متنیزې کړکۍ ډېر مخکې تړي.

09ورته زنګ وهل

هر له OpenAI سره اړوند کلاینټ ګېټوې ته ونیسئ او د ماډل تار بدل کړئ. ستاسو په لړ کې بل هېڅ شی ته اړتیا نشته چې وخوځېږي.

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
        }
      }
    }
  }'

هماغه د ماډل id پرته له بدلون پر /v1/messages او /v1/responses باندې کار کوي، چې دا تر ټولو چټکه لاره ده چې د یوې موجودې یوځای کولو لاندې یو ارزانه ماډل A/B وازمویئ پرته له دې چې خپل کلاینټ له سره ولیکئ. پیرامیټرونه، د سټریمینګ د پېښو بڼې، د وسیلو زنګ وهلو سکیماوې او د کچې حدود په د API سرچینه کې مستند شوي؛ په کتلاګ کې هر ماډل په Shannon څېړنه کې لیست شوی.

10ډېرې پوښتل شوې پوښتنې

---

سرچینې: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · د DeepSeek-V3 تخنیکي راپور (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · د DeepSeek-V4-Flash-0731 او DeepSeek-V4-Pro-0813 د ماډل کارتونه · AutoRound (arXiv 2309.05516، Intel) · REAP (arXiv 2510.13999، Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). د بنسټ او معیارونو ټولې شمېرې هغسې دي لکه د خپلو لیکوالو له خوا چې خپرې شوې؛ د Shannon AI بیې او خدمت شوی متن زموږ خپل د لیست ارزښتونه دي، چې د 2026 د سپټمبر پورې اوسني دي.