بې سانسوره DeepSeek API

هغه خلک چې د «بې سانسوره DeepSeek API» عبارت ته راځي یو ټاکلی شی غواړي: یو ماډل چې د DeepSeek استدلالي او کوډي وړتیا ولري او پر هغه پوښتنه ځواب ووايي چې په حقیقت کې پوښتل شوې. د وړتیا نیمايي ښه مستنده ده — DeepSeek-AI معماري او شمېرې خپرې کړې، او وزنونه د MIT تر جواز لاندې پر Hugging Face باندې دي. دویمه نیمايي یوه عملیاتي پرېکړه ده، او معمولاً ستاسو پرځای کېږي. دا پاڼه دواړه پوښي: د V4-Pro بنسټ څه دی، زموږ 3BIT-REAP جوړښت ورسره څه کوي، او کله چې موږ «بې سانسوره» وایو دقیقاً څه معنا لري.

01«بې سانسوره DeepSeek API» په حقیقت کې څه معنا لري

دوه بېل میخانیزمونه تر یوې کلمې لاندې راځي. لومړی هغه همغږي ده چې په وزنونو کې پخه شوې — د ردولو چلند چې د روزنې وروسته زده کېږي. دویم یوه د خدمت پر اړخ باندې د اعتدال پرت دی: یو بېل ډلبند چې ستاسو پرامپټ مخکې له دې ګوري چې ماډل يې وویني او وتنه مخکې له دې چې تاسو يې وګورئ، او کولی شي یو ځواب په منځ جمله کې پرې کړي، پرته له دې چې ماډل څه غوښتل ووايي.

دواړه د اندازه کولو وړ دي، او د DeepSeek لومړي لاس خدمت اندازه شوی. Promptfoo د سیاسي حساسو پوښتنو یوه 1,360 پرامپټیزه ټولګه جوړه کړه او راپور يې ورکړ چې د DeepSeek کوربه شوي R1 له هغو څخه 1,156 يې رد کړل یا اړول — نږدې 85%. پر همدې کورنۍ باندې علمي کار یوه بېله د ناکامۍ بڼه وموندله چې لیکوالانو د فکر ځپل ونومول، چېرې چې د ماډل د استدلال کرښه پر یوه حساس موضوع کې نږدې هماغه شېبه پای ته رسېږي چې پیل کېږي. یوه بېله پلټنه چې په Information Sciences کې خپره شوه، د معنا په کچه ځپل مستند کړل: هغه محتوا چې د ماډل په داخلي استدلال کې شته خو مخکې له دې چې کارونکي ته ورسېږي په چوپه خوله غورځول یا بیا لیکل کېږي. دا تر یوه ښکاره ردولو ستونزمنه ستونزه ده، ځکه چې یو پرې شوی ځواب د ځواب په څېر ښکاري.

هغه څه چې موږ يې چلوو، خلاص وزنه خپرونه ده، پر هغه هارډویر چې موږ يې چلوو، په متحده ایالاتو کې، د Shannon Lab LLC لاندې. د ماډل مخې ته د ردولو پرت نشته او پر هغه څه چې بېرته راځي هېڅ فلټر نه لګېږي: ستاسو پرامپټ مخکې له خدمته د پالیسۍ لپاره نه ډلبندېږي، او د وتنې بهیر په بهر تلو کې نه څارل کېږي. له دې امله چې بنسټ د MIT تر جواز لاندې او عام دی، تاسو کولی شئ زموږ پایلې پخپله له مرجع وزنونو سره پرتله کړئ نه دا چې زموږ خبره ومنئ.

02بنسټ: DeepSeek-V4-Pro، یو 1.6T MoE

DeepSeek-V4 د DeepSeek-AI اوسنۍ خلاص وزنه کورنۍ ده، چې د 2026 په اپریل کې مخکتنه او د MIT تر جواز لاندې په دوو اندازو خپره شوه: V4-Flash (284B ټول، 13B فعال) او V4-Pro (1.6T ټول، 49B فعال). دا مقاله د Pro پوړ په اړه ده. دواړه پر نږدې 33 ټریلیون توکنو باندې مخکې روزل شوي او دواړه په اصل کې د یوه میلیون توکنیز متن ملاتړ کوي.

هغه څه چې باید ورته پام وشي د تنکاوالي نسبت دی: پر هر ورکړل شوي توکن باندې یوازې نږدې 3% پیرامیټرونه اور کوي، چې همدا يې دومره لوی ماډل بېخي د خدمت وړ ګرځوي. د MoE بلاک پخپله لا هم DeepSeekMoE دی — هغه باریک روټ شوي متخصصان جمع تل فعال ګډ متخصصان چې په V2 کې راپېژندل شول — یوازې له وړو V4 بدلونونو سره، چې تر ټولو ښکاره يې په لومړنیو پرتونو کې هش روټینګ دی. Multi-Token Prediction، هغه V3 مرستندویه موخه چې سپیکولېټیف ډیکوډینګ هم ممکنوي، بې بدلونه ساتل شوې.

په V4 کې نوې برخې جوړښتیزې دي. Manifold-Constrained Hyper-Connections (mHC) د ساده پاتې لارې پرځای یوه زده شوې ګډونکې ماتریس ږدي چې د Sinkhorn–Knopp پروجېکشن له لارې د دوه ګونو تصادفي ماتریسونو پر منیفولډ محدوده شوې — یو پاتې بهیر چې پر هر دننه ورکړه بیا وزنېږي پرته له هغه عددي ښویېدو چې ډېر ژور سټکونه وژني. روزنه له AdamW څخه د ډېری موډلونو لپاره Muon ته ولاړه، چې د Newton–Schulz ارتوګونالیزېشن کاروي، او AdamW یوازې د ایمبېډینګونو، د وړاندوینې سرونو، نورمالیزېشن او د mHC د ثابتو پیرامیټرونو لپاره وساتل شو. او د متخصصانو وزنونه په FP4 کې روزل کېږي چې ډېری نور پیرامیټرونه په FP8 کې وي — له پیله کوانټایزېشن ته پام کوونکی، چې دا مهمه ده چې ماډل نور فشار څومره په نرمۍ اخلي.

03له MLA څخه CSA + HCA ته: DeepSeek اوږد متن څنګه ارزانه ساتي

د DeepSeek د څلورو نسلونو په اوږدو کې تلونکې کرښه اندازه نه ده، د پاملرنې اقتصاد دی. هره بڼه پر KV کیش برید کړی، چې له متن سره کرښه ییز لویېږي او په اوږدو اوږدوالیو کې پر حافظه واکمن دی.

• V2 د Multi-head Latent Attention (MLA) راپېژندنه وکړه — د کیلیو او ارزښتونو یوه ټیټ درجه ییز ګډ فشار یوه پټ ویکتور ته، نو جوړونه د هر سر بشپړ K او V پرځای هغه ویکتور جمع یوه جلا شوې RoPE کیلي کیش کوي. DeepSeek راپور ورکړ چې KV کیش د معیاري څو سریزې پاملرنې نږدې 4–14% ته راښکته شو، په داسې حال کې چې کیفیت ساتل شوی یا ښه شوی.
• V3 دا 671B ته پراخ کړ، چې MLA يې په خلاصو ماډلونو کې د ارزانه اوږد متن لپاره ډیفالټ انګېرنه وګرځوله.
• V3.2 د DeepSeek Sparse Attention (DSA) ورزیاته کړه، چې د هر پوښتنې لپاره د تاریخچې یوه top-k څنډه د یوه سپک شاخص کوونکي له لارې ټاکي، نه دا چې هر څه ته پام وکړي.
• V4 يې ګډوي. Compressed Sparse Attention (CSA) لومړی د هرو m توکنو KV توکي په یوه توکي کې له زده شویو وزنونو سره فشاروي، بیا پر هغو فشار شویو توکو باندې تنکۍ top-k ټاکنه چلوي. Heavily Compressed Attention (HCA) ډېر ډېر تېز فشاروي خو پر پایله باندې کثیف پاتې کېږي. دا دوه ډوله پرتونه د سټک په اوږدو کې سره ګډ شوي، نو ارزانه نړیوال لنډیز او دقیق ځایي بیا موندنه یوځای شته کېږي.

د یوه میلیون توکنیز متن په کچه راپور شوې ګټه ښکاره ده: V4-Pro د V3.2 په پرتله نږدې 27% د هر توکن د استنتاج FLOPs او 10% KV کیش ته اړتیا لري. همدا لامل دی چې یوه 262K غوښتنه د یوې عادي غوښتنې په څېر چلند کوي نه د یوې حافظې پېښې، او همدا لامل دی چې د اوږد متن د بیا موندنې شمېرې پاتې کېږي نه دا چې له څو لسګونو زرو توکنو وروسته راپرځېږي.

04د 3BIT-REAP وروستاړی څه معنا لري

زموږ د کتلاګ ID په 3BIT-REAP پای ته رسېږي، او دا دوه خپلواک د فشار ګامونه بیانوي چې په ترتیب سره لګول شوي.

REAP: متخصصان کټول، نه سره ګډول

REAP د روټر پر وزن ولاړ د متخصص د فعالېدو کټول دي، د Cerebras Research له خوا — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression»، چې ICLR 2026 ته منل شوي. په یوه تنکي MoE کې روټر خپل متخصصان یوشان نه کاروي: یوه اوږده لکۍ لږ، کمزوري، یا دواړه، ټاکل کېږي. REAP هر متخصص د د روټر د دروازې ارزښتونو (څومره ځله او څومره پیاوړی ټاکل کېږي) او د متخصص د فعالېدو نورمونو (د هغه وتنه څومره ونډه اخلي) په یوځای کولو سره ارزوي، بیا بایللي په بشپړه توګه غورځوي.

د مقالې دلیل دا دی چې کټول تر سره ګډولو ښه دي: سره ګډول هغه فعالي ځانګړنه اوسط کوي چې MoE يې د جوړولو وړ ګرځولی و، په داسې حال کې چې د هغو متخصصانو غورځول چې روټر يې په سختۍ رسېږي، هغه ساتي. له 20B څخه تر 1T پورې په ماډلونو کې، REAP پر جوړونکو معیارونو باندې تر سره ګډولو او سیالو کټونکو میتودونو ښه راووت، او لیکوالان راپور ورکوي چې پر Qwen3-Coder-480B او Kimi-K2 باندې په 50% متخصص کټولو کې پر کوډ جوړولو او د وسیلو زنګ وهلو باندې نږدې بې زیانه پایلې ترلاسه شوې — چې دا هماغه د کاري بار پروفایل دی چې دا ماډل ورته دلته دی.

3-بیټه وزنونه: د تر ټولو لویو بنسټونو لپاره د فشار پوړ

هغه څه چې پاتې کېږي بیا 3-بیټه وزنونو ته کوانټایز کېږي. درې بیټه تېز دي، او موږ بل څه نه ښیو: په ټوله لړۍ کې موږ W8A16 هلته کاروو چې بنسټ دومره کوچنی وي چې فشار ته اړتیا ونه لري، په منځ کې W4A16-AUTOROUND-REAP، او 3BIT-REAP یوازې پر تر ټولو لویو بنسټونو باندې، چېرې چې دا د ماډل د خدمت کولو او نه کولو ترمنځ توپیر دی.

معامله يې د ساده ویلو ارزښت لري: یو 3-بیټه 1.6T MoE له مرجع خپرونې سره بیټ په بیټ یو شان نه دی، او یو کوچنی د کیفیت لګښت ریښتینی دی. هغه څه چې پرې ترلاسه کوئ یو داسې بنسټ دی چې بې فشاره سقف يې له هر هغه څه ډېر پورته دی چې په لوړ دقت کې په ارامۍ ځایېږي — او له دې امله چې د V4 متخصصان له پیله په FP4 کې روزل شوي، ماډل د نور وزني فشار لاندې په غیر عادي ډول ښه چلند کوي. که د DeepSeek یو داسې جوړښت غواړئ چې پر دقت باندې يې لاس سپک وي، DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-بیټه وزنونه له 16-بیټه فعالېدنو او د AutoRound له زده شوي ګردولو سره کاروي، پر هماغه 262K متن باندې په $0.50 دننه / $2.00 بهر.

05استدلال، او د reasoning_effort پیچ

د V4 وروسته روزنه ډګریز متخصصان په جلا توګه روزي — ریاضي، کوډ لیکل، اجنټان، د لارښوونې پیروي — له SFT سره او بیا GRPO، هغه د ډلې نسبي پالیسي غوره کولو میتود چې DeepSeek له R1 سره راپېژندلی و. هغه متخصصان بیا د معکوس-KL موخې لاندې په پالیسي ولاړ ډیستیلېشن سره په یوه ماډل کې یوځای کېږي، نو یو چېک پوینټ په څو ډګرونو کې په یوه وخت کې د متخصص په کچه چلند لري، نه دا چې یو عمومي کس وي چې په ټولو کې منځنی وي.

خپور شوی ماډل د یوې دوه اړخیزې تڼۍ پرځای درجه بندي شوي فکري حالتونه څرګندوي. زموږ پر ګېټوې باندې دا معیاري reasoning_effort پیرامیټر دی، پر دې ماډل باندې تر ټولو ګټور پیچ:

• ټیټ — نږدې مستقیم ځواب ویل: ډلبندي، استخراج، بیا لیکل، هر هغه څه چې د ماډل د غور پرځای د هغه د پوهې لپاره پیسې ورکوئ.
• منځنی — د کوډ کتنې، ډیباګ کولو او څو ګامیزې شننې لپاره ډیفالټ کاري حالت.
• لوړ — مخکې له ځواب ویلو اوږد غور. چېرې چې سختې ستونزې حل کېږي، او چېرې چې ستاسو د وتنې د توکنو بیل اوسېږي، ځکه چې د استدلال توکنه د وتنې په توګه حسابېږي.

له دې امله چې د ردولو پرت نشته، د استدلال کرښه پر حساسو موضوعاتو باندې نه پرې کېږي — د فکر د ځپلو هغه بڼه چې پر لومړي لاس خدمت باندې مستنده شوې، دلته د پېښېدو هېڅ میخانیزم نه لري.

06کوډ او اجنټي کار: بنسټ څه شمېرې لري

دا د V4-Pro خپرونې لپاره د DeepSeek-AI خپلې خپرې شوې شمېرې دي — زموږ نه دي، او زموږ پر کوانټایز شوي جوړښت باندې اندازه شوې نه دي. موږ يې ښیو ځکه چې دا د دې بنسټ د ټاکلو رښتینی دلیل دی، او د لومړي لاس په توګه يې په نښه کوو، نو تاسو ورته د هغې له مخې وزن ورکړئ.

دوه يې تبصرې ته اړتیا لري. SWE-bench Verified په 80.6% د ریښتیني ذخیرې د مسألې حل دی — د یوه ناپېژندلي کوډ بېس لوستل، د نیمګړتیا موندل، او د یوه داسې پیچ جوړول چې د پروژې خپلې ازموینې پاس کړي. MRCR په یوه میلیون توکنو کې (83.5) په بشپړ اوږدوالي کې څو دوره ییزه د اشارې بیا موندنه ده، هغه شمېره چې درته وايي د اوږد متن ادعا سینګاري نه ده. DeepSeek د ماډل لپاره د 3206 Codeforces درجه بندي هم راپور کوي، او په 1M متن کې پر CorpusQA باندې 62.0.

پورتنۍ شمېرې د DeepSeek-V4-Pro د مرجع خپرونې لپاره د DeepSeek-AI له خوا راپور شوې دي. زموږ 3BIT-REAP جوړښت د هغو وزنونو یوه فشار شوې بڼه ده او پر دې دندو باندې په خپلواکه توګه معیاري شوی نه دی؛ مرجع شمېرې د بنسټ سقف وګڼئ، نه د دې پای ټکي اندازه.

07262K متن: په حقیقت کې څه ځایېږي

مرجع ماډل د یوه میلیون توکنو لپاره روزل شوی. موږ 262,144 خدمت کوو — هغه کړکۍ چې پر ګېټوې باندې هر ماډل يې شریکوي، نو د ماډل بدلول یو کرښه ییز بدلون دی او هېڅکله د متن شاتګ نه دی. په عمل کې 262K له هغه ټکي هاخوا دی چې متن د ډېری ریښتیني کار لپاره تړاو ولري:

کاري بار	نږدې توکنه	په 262K کې ځایېږي؟
منځنۍ اندازې خدماتي ذخیره (~50k کرښې)	~600K	نه — موډلونه وټاکئ
یو فرعي سیستم + د هغه ازموینې	~60–120K	هو، په ارامۍ
د یوه پروتوکول بشپړه RFC ټولګه	~150K	هو
یو 700 مخیز تخنیکي کتاب	~250K	هو، حد ته نږدې
اوږد اجنټي چلند، 40+ د وسیلو دورې	~80–200K	هو

هغه حد چې باید پلان ورته وکړئ وتنه ده: په هر ځواب کې تر ټولو ډېر 16,384 توکنه. دا یو اوږد سند یا یو پام وړ څو دوسیه ییز پیچ دی، خو یو کوډ بېس نه. لوی جوړونکي کارونه د غوښتنو په زنځیر کولو سره کېږي چې پخوانۍ وتنه بېرته په متن کې وي — چې 262K کړکۍ يې ارزانه کوي — نه د یوې لویې بشپړونې په غوښتلو سره.

08بیه، او V4-Pro په لړۍ کې چېرته ولاړ دی

په $1.95 دننه / $3.90 بهر په هر میلیون توکنو، V4-Pro مخکښ استدلالي پوړ دی — هغه ماډل چې لاس ورته وړئ کله چې ستونزه سخته وي. کله چې یوازې لویه وي، پر هماغه 262K کړکۍ باندې ارزانه ماډلونه به يې د څلورمې برخې په بیه وکړي.

بې سانسوره ماډل	دننه / 1M	بهر / 1M	لید	غوره لپاره
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	نه	سخت استدلال، کوډ، اجنټان
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	نه	هماغه ډله، لوړ حجم
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	نه	عمومي موخې کاري اس
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	هو	پورتنۍ کچې څو رسنیز اجنټان
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	هو	تر ټولو ارزانه لید

د هغې پرتلې په اړه سم ویل چې خلک به يې په حقیقت کې کوي: د DeepSeek خپل API له دې ارزانه دی — لومړی لاس V4-Pro نږدې $0.435 دننه / $0.87 بهر لیست کوي، او د دوی د کیش-هټ دننه ورکړې بیه لا هم ټیټه ده. که ستاسو یوازینی معیار په هر توکن بیه وي او د اعتدال چلند ستاسو پر کار اغېز ونه کړي، لومړی لاس API وکاروئ؛ موږ غواړو دا درته ووایو نه دا چې وروسته يې پخپله ومومئ. اضافي بیه یوه بله ډله ځانګړنې اخلي: د ردولو پرت نشته او د وتنې فلټر نشته، د Shannon Lab LLC لاندې یو امریکایي چلوونکی، یو پن شوی نېټه لرونکی چېک پوینټ (0813) نو یو چوپ پورتنی نوی کول ستاسو پایلې د پروژې په منځ کې هېڅکله نه بدلوي، پر یوه ماډل باندې درې API ژبې، او په لړۍ کې د ټولو دولسو ماډلونو په اوږدو کې هماغه 262K کړکۍ او هماغه پیرامیټریزه سطحه.

09زنګ ورته وهل: درې ژبې، یو ماډل

پر ګېټوې باندې هر ماډل پر دریواړو پای ټکو ځواب ورکوي، په هر یوه کې له سټریمینګ سره. تاسو نوی SDK نه مني — تاسو یو base URL او یو د ماډل ID بدلوئ.

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 — د OpenAI ژبه؛ له OpenAI SDK ګانو او هر هغه څه سره کار کوي چې پر هغو جوړ شوي.
• /v1/messages — د Anthropic ژبه، د هغو کوډ بېسونو لپاره چې دمخه د هغې بڼې پر وړاندې لیکل شوي.
• /v1/responses — د Responses په سبک کې انټرفېس.

پر دې ماډل باندې ملاتړ شوي: سټریمینګ، اصلي د وسیلو زنګ وهل، سخته json_schema جوړښتي وتنه، response_format، او reasoning_effort. د پیرامیټرونو بشپړ حواله او یو ژوندی لوبغالی په API اسنادو کې دي.

10رښتیني حدونه

څلور شیان چې مخکې له دې چې پرې جوړ کړئ باید ورباندې پوه شئ:

• لید نشته. یوازې متن؛ پر هېڅ پای ټکي باندې د انځور دننه ورکړه نه مني. که یو بې سانسوره ماډل غواړئ چې ویني، Kimi-K3، Kimi-K2.6، MiniMax-M3، MiMo-V2.5 یا inkling وکاروئ.
• د 16,384 توکنو د وتنې سقف. په لوړه هڅه کې د استدلال توکنه د هغه پر وړاندې حسابېږي، نو یو اوږد غور د ځواب لپاره لږ ځای پرېږدي. د لویو جوړونکو کارونو لپاره غوښتنې زنځیر کړئ.
• 3-بیټه یو ریښتینی فشار دی. مرجع شمېرې بنسټ بیانوي، نه دا جوړښت. د تر ټولو لوړ وفادارۍ پوړ لپاره، W8A16 ماډلونه (MiMo-V2.5-Pro، MiMo-V2.5، Hy3) تر ټولو لږ کوانټایزېشن لري.
• بې سانسوره والی بې پایلې نه دی. د ردولو پرت نشتوالی دا معنا لري چې د هغه څه مسؤلیت چې پوښتئ، او د هغه څه چې له ځواب سره يې کوئ، له تاسو سره دی — زموږ د خدمت شرایطو او هغه قانون لاندې چېرې چې تاسو کار کوئ.

11ډېرې پوښتل شوې پوښتنې

---

سرچینې: DeepSeek-AI — د DeepSeek-V4-Pro د ماډل کارت · د DeepSeek-V4 تخنیکي راپور (CSA/HCA، mHC، Muon) · DeepSeek-V2 (MLA، DeepSeekMoE) · د DeepSeek-V3 تخنیکي راپور · REAP the Experts (Cerebras Research) · د Promptfoo د سانسور پلټنه · Discovering Forbidden Topics in Language Models. د معیار شمېرې د مرجع خپرونې لپاره د DeepSeek-AI له خوا راپور شوې دي؛ د فشار شوي جوړښت خپلواکه دریمې خوا تاییدي لا پاتې ده. بیې د 2026 د سپټمبر تر 5 پورې د Shannon AI لیستي بیې دي.