API DeepSeek Flash sem censura

A maioria das equipes que avaliam uma API de LLM otimiza a variável errada. Elas fazem benchmark com os vinte prompts mais difíceis que conseguem imaginar, escolhem o vencedor e descobrem seis semanas depois que noventa e cinco por cento do tráfego delas é trabalho curto, estruturado e repetitivo que um modelo custando um quarto do preço teria resolvido de forma idêntica. O DeepSeek-V4-Flash existe para esses noventa e cinco por cento. Esta página é sobre saber quando você está neles — e quando não está.

01O que você recebe de fato

Propriedade	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Id do modelo	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Contexto / saída máxima	262,144 tokens / 16,384 tokens
Preço por 1M (entrada / saída)	$0.50 / $2.00
Streaming · chamada de ferramentas · raciocínio	Sim — nos três dialetos
Saída estruturada	json_schema e response_format
Entrada de imagem (visão)	Não — só texto
Camada de recusa / filtro de saída	Nenhuma
Servido em	O próprio cluster de GPUs da Shannon

Três dialetos de API alcançam os mesmos pesos: /v1/chat/completions (no formato OpenAI), /v1/messages (no formato Anthropic) e /v1/responses. O streaming funciona nos três. A referência completa de parâmetros está na documentação da API.

02De onde ele vem: a linhagem DeepSeek

A DeepSeek-AI passou cinco gerações de modelos com uma obsessão: extrair comportamento de fronteira de um modelo barato de servir, e não apenas barato de treinar. Quase toda decisão arquitetural da linha remonta a isso, e as importantes estão publicadas. Três explicam o que você está chamando quando bate neste endpoint.

DeepSeekMoE — especialistas de granularidade fina mais um compartilhado

Uma camada Mixture-of-Experts substitui uma grande rede feed-forward por muitas menores e um roteador que seleciona um punhado por token. A variante da DeepSeek fatia os especialistas de forma mais fina que o layout convencional de oito especialistas, de modo que os mesmos FLOPs ativados compram uma mistura combinatoriamente muito mais específica, e ela isola um especialista compartilhado pelo qual todo token passa, para que o conhecimento comum não seja reaprendido de forma redundante dentro de cada especialista. O DeepSeek-V3 entregou isso como 256 especialistas roteados mais 1 especialista compartilhado, ativando 8 roteados por token — 671B de parâmetros totais, 37B ativos — junto com balanceamento de carga sem perda auxiliar: em vez de um termo de penalidade que degrada a qualidade, um viés por especialista empurra as pontuações de roteamento para cima ou para baixo a cada passo, conforme aquele especialista opere sub ou sobrecarregado.

MLA — atenção que cabe na memória

A outra metade do problema de custo de servir é o cache KV, que cresce linearmente com o contexto e domina a memória em comprimentos longos de sequência. A Multi-head Latent Attention, introduzida no DeepSeek-V2, comprime chaves e valores conjuntamente num vetor latente de baixo posto e guarda em cache esse vetor, reconstruindo K/V utilizáveis em tempo de execução. Os números publicados pela DeepSeek para o V2, contra o DeepSeek 67B denso anterior, relatam redução de 93.3% no cache KV e vazão máxima de geração 5.76× maior. É por isso que uma janela de 262K tokens é o básico nesta família, e não um item premium.

Atenção esparsa — e o precedente dos tokens baratos

O V3.2-Exp acrescentou a DeepSeek Sparse Attention: um indexador leve pontua os tokens de contexto contra a consulta, e um seletor mantém apenas os mais bem pontuados. A parte interessante é o comprovante, não o mecanismo. A DeepSeek publicou um comparativo lado a lado com o V3.1-Terminus, com o MMLU-Pro idêntico em 85.0, o AIME 2025 subindo (88.4 → 89.3) e o SWE-bench Verified caindo marginalmente (68.4 → 67.8) — qualidade essencialmente estável — e cortou os preços da própria API em mais de 50% no mesmo dia. Arquitetura, relatada com honestidade, virando preço diretamente. O Flash é esse argumento levado um passo adiante.

A geração V4

O V4, prévia em abril de 2026 sob licença MIT, substitui de novo a pilha de atenção por um híbrido de Compressed Sparse Attention e Heavily Compressed Attention, treina com o otimizador Muon sobre mais de 32T de tokens e mantém o objetivo de predição de múltiplos tokens do V3 — que também serve como decodificação especulativa e que a DeepSeek mediu com taxa de aceitação do segundo token de 85–90%, para uma aceleração de decodificação de cerca de 1.8× no V3. O resumo do V4 relata o V4-Pro rodando com 27% dos FLOPs de inferência por token e 10% do cache KV do V3.2. A família expõe três níveis de esforço de raciocínio, que é o que o nosso parâmetro reasoning_effort mapeia.

Fontes: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Relatório técnico do DeepSeek-V3 (arXiv 2412.19437) · cartão de modelo do DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Todos os números são relatados pela DeepSeek.

03O que "Flash" realmente significa

Este é o ponto que a maioria das comparações erra, então vale dizer sem rodeios: o Flash da DeepSeek não é um Pro quantizado, podado ou destilado. É um modelo Mixture-of-Experts menor, treinado separadamente, com o seu próprio pré-treinamento. O artigo de prévia do V4 dá os dois tamanhos:

Números do artigo de prévia do DeepSeek-V4. Os checkpoints oficiais que servimos — V4-Flash-0731 e V4-Pro-0813 — listam totais ligeiramente maiores, de 304B e 1.7T, nos seus cartões de modelo; a DeepSeek não reafirma os parâmetros ativados dessas builds.

Dois números fazem o trabalho aqui. Os parâmetros totais definem a pegada de memória, o que decide quanto hardware uma cópia do modelo ocupa. Os parâmetros ativados definem a aritmética por token, o que decide a vazão. O Flash é cerca de 5.6× menor no primeiro e 3.8× menor no segundo — e há uma sutileza que vale notar nessa diferença: o Flash ativa 13 de 284 bilhões de parâmetros, cerca de 4.6%, enquanto o Pro ativa 49 de 1,600 bilhões, cerca de 3.1%. O Flash é o modelo menos esparso. Ele não é simplesmente o Pro com menos especialistas ligados; é um projeto mais denso e balanceado de outro jeito, que gasta uma fração maior de si mesmo em cada token que produz. Isso é uma escolha real de engenharia, não um rebaixamento.

O que dizem os números da própria DeepSeek

Os dois cartões de modelo oficiais publicam pontuações nos mesmos benchmarks agênticos e de engenharia de software, o que torna esta uma comparação incomumente limpa — o mesmo laboratório, o mesmo arcabouço de avaliação, dois tamanhos:

Benchmark (relatado pela DeepSeek)	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

O Pro vence todas as linhas. Essa é a manchete honesta, e preferimos que você a leia aqui a que a descubra em produção. Mas leia as margens, porque é isso que você está de fato comprando. No Terminal Bench 2.1 a diferença é de 5.2 pontos num modelo com um vinte e cinco avos dos parâmetros; em uso de ferramentas, 3.8 pontos. A diferença se alarga onde o trabalho fica mais profundo — 8.3 pontos no DeepSWE, 7.3 no NL2Repo, ambos os quais premiam raciocínio de código sustentado em várias etapas. Esse é o formato da troca numa única tabela: o Flash fecha a maior parte da distância em tarefas delimitadas e cede terreno nas abertas.

O próprio cartão do Flash da DeepSeek reforça ainda mais o ponto: o Flash-0731 supera a prévia do V4-Pro nos benchmarks listados, apesar da contagem de parâmetros ativados muito menor. Um modelo pequeno mais novo vencer um grande mais antigo é o estado normal das coisas nesta área, e é a razão pela qual "nível maior" nunca deveria ser a sua resposta padrão.

04Lendo o sufixo: W4A16-AUTOROUND-REAP

Os nossos ids de modelo declaram em voz alta o seu esquema de compressão, porque ele é o que mais afeta a qualidade da saída e quase ninguém o divulga. Este se decompõe em três afirmações.

W4A16 — pesos de 4 bits, ativações de 16 bits

Os pesos são armazenados com 4 bits cada; as ativações fluem com precisão de 16 bits. Isto é quantização apenas de pesos, e ela ataca o gargalo real da geração de tokens, que é largura de banda de memória, não aritmética. Quantizar também as ativações compraria um pouco mais de velocidade e arriscaria um precipício de precisão bem maior; deixá-las em 16 bits é a escolha conservadora e de alta fidelidade. A notação é um jargão do ecossistema de serving — a literatura de quantização escreve a mesma coisa como W4 com um tamanho de grupo.

AUTOROUND — arredondamento aprendido, não arredondamento ao mais próximo

A quantização ingênua arredonda todo peso para o valor representável mais próximo. Isso comprovadamente não é ótimo: arredondar um peso do jeito "errado" pode cancelar o erro introduzido pelos vizinhos dele, e com bilhões de pesos essas interações dominam. O AutoRound, da Intel, trata a própria decisão de arredondamento como algo a ser aprendido — uma perturbação treinável por peso, restrita a ±0.5, exatamente o suficiente para inverter qualquer decisão isolada de arredondamento e nunca mais que isso, além de faixas de recorte aprendíveis, otimizadas por descida de gradiente sinalizada contra um objetivo de reconstrução de saída bloco a bloco sobre um pequeno conjunto de calibração. Duzentos passos e pronto.

As comparações publicadas pela Intel colocam o AutoRound à frente do GPTQ em 30 de 32 cenários testados, do AWQ em 27 de 32 e do OmniQuant em 29 de 32 em configurações de 4 bits apenas de pesos, com ganhos de 6.9 a 33.2 pontos de precisão sobre o arredondamento ingênuo ao mais próximo em 2 bits. Nada disso custa nada em tempo de inferência: é uma escolha melhor de números, feita uma vez, offline.

REAP — descartar especialistas para os quais ninguém roteia

O REAP (Router-weighted Expert Activation Pruning), da Cerebras Systems e da University of Calgary, é compressão em uma única etapa para modelos MoE. Ele pontua cada especialista pela força e pela frequência com que o roteador o seleciona, multiplicadas pela magnitude da saída daquele especialista, e então apaga de vez os menos salientes — sem retreinamento depois.

A descoberta central do artigo é a útil: em razões altas de compressão, podar especialistas vence fundi-los. Fundir especialistas funcionalmente distintos causa o que os autores chamam de colapso de subespaço funcional — o roteador perde o controle de granularidade fina, dependente da entrada, que fazia o MoE valer a pena, e fica dirigindo entre médias estáticas. Os números deles em modelos de 20B a 1T de parâmetros: com 25% de compressão de especialistas em tarefas de código, o REAP perde 2.8% de precisão média onde as linhas de base de fusão perdem mais de 5%; com 50%, o REAP perde 8.0% onde a fusão perde mais de 20%. No Qwen3-Coder-480B com 50% de poda, a queda é de 1.4%, contra 39.3% da poda ingênua baseada em frequência. A Cerebras publicou checkpoints REAP para a linha DeepSeek, entre outras.

Por que 4 bits aqui e 3 bits no Pro

Os dois níveis precisam caber e continuar rápidos na mesma classe de hardware. O Pro carrega 1.7 trilhão de parâmetros, então ele precisa do tratamento mais agressivo de 3 bits só para caber. O Flash carrega cerca de 300 bilhões, então não precisa — e o bit que ele economiza é gasto em fidelidade, em vez de em caber.

Esse bit extra importa mais do que a aritmética sugere, porque o dano da quantização não é linear. Nas medições de WikiText-2 do artigo do AWQ, o Llama-2-7B vai de 5.47 de perplexidade em FP16 para 5.60 em 4 bits — uma penalidade de 2.4% — mas para 6.24 em 3 bits, uma penalidade de 14%. Isso é cerca de seis vezes a degradação por 25% mais compressão, e o mesmo padrão vale em 70B. O artigo do GPTQ é ainda mais direto: em 3 bits, o arredondamento ingênuo ao mais próximo colapsa em modelos da classe de 175B, chegando à casa dos milhares de perplexidade, enquanto permanece perfeitamente utilizável em 4 bits. Abaixo de quatro bits, um bom algoritmo de quantização deixa de ser um luxo e passa a ser a única coisa segurando o modelo inteiro.

Então a leitura honesta desses dois sufixos é: o Flash está mais perto do seu próprio eu não comprimido do que o Pro está do dele. O Pro continua sendo o modelo mais forte — a tabela de benchmarks acima resolve isso. Ele simplesmente abriu mão de mais para chegar aqui, e você paga pelo privilégio.

Fontes: 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. Números de perplexidade do AWQ (arXiv 2306.00978) e do GPTQ (arXiv 2210.17323).

05Flash contra Pro no endpoint

A seção 03 cobriu as fundações. Veja como os dois níveis aparecem como produtos no nosso gateway:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Quantização	W4A16-AUTOROUND-REAP	3BIT-REAP
Precisão dos pesos	4 bits, arredondamento aprendido	3 bits
Fundação (total / ativa)	~304B / 13B	~1.7T / 49B
Entrada por 1M de tokens	$0.50	$1.95
Saída por 1M de tokens	$2.00	$3.90
Contexto / saída máxima	262,144 / 16,384	262,144 / 16,384
Ferramentas · saída estruturada · streaming	Sim	Sim
Visão	Não	Não
Camada de recusa	Nenhuma	Nenhuma

Note o que não muda: contexto, teto de saída, chamada de ferramentas, saída estruturada e a ausência de camada de recusa são idênticos. As únicas coisas que se movem são a fundação, a quantização e o preço. Isso faz de alternar entre eles uma mudança de uma string no seu código e uma decisão puramente econômica na sua arquitetura.

Quanto custa uma chamada de tamanho máximo

Encha todo o contexto de 262,144 tokens e receba a saída completa de 16,384 tokens:

A preço de tabela. Flash: $0.131 de entrada + $0.033 de saída. Pro: $0.511 + $0.064. Razão de 3.51×. O Flash também compartilha o piso de $0.50 / $2.00 com MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro e Hy3 — veja o catálogo completo para saber como eles diferem em visão e saída estruturada.

06A conta do volume, feita passo a passo

"3.9× mais barato" só é verdade na entrada. Na saída, o Flash é 1.95× mais barato. A sua economia real, portanto, depende da sua razão entre entrada e saída, e a dispersão é ampla o bastante para mudar decisões de projeto. Quatro cargas de trabalho realistas, cada uma com 100,000 requisições:

Carga de trabalho	Entrada / saída por chamada	Flash	Pro	Economia
Classificação de tíquetes	1,200 / 120	$84	$281	3.3×
Resposta a perguntas em RAG	8,000 / 600	$520	$1,794	3.4×
Resumo de documento longo	60,000 / 1,500	$3,300	$12,285	3.7×
Geração de dados sintéticos	500 / 2,000	$425	$878	2.1×

O padrão: quanto mais contexto você empurra e menos texto você gera, mais o Flash economiza. Pipelines de recuperação, triagem de documentos, análise de logs e transcrições e extração em contexto longo são o ponto ideal — eles são dominados pela entrada por uma ordem de grandeza, e a entrada é onde mora o desconto de 3.9×. Se, em vez disso, a sua carga de trabalho é um prompt curto produzindo milhares de tokens de prosa, a diferença se estreita para cerca de 2× e o argumento de capacidade a favor do Pro fica correspondentemente mais forte.

Mais uma conta que vale internalizar: a $0.50 por milhão de tokens de entrada, encher a janela inteira de 262,144 tokens custa 13.1 centavos. Prompt de contexto longo deixa de ser uma questão de orçamento nesse preço, o que às vezes significa que você pode nem construir uma camada de recuperação e deixar a janela de contexto fazer o trabalho — uma economia de engenharia por cima da economia de tokens.

07O que "sem censura" significa aqui, com precisão

A palavra é usada com frouxidão, então aqui vai a nossa definição, enunciada como propriedade do endpoint: não há classificador de recusa à frente do modelo nem filtragem de conteúdo aplicada à saída dele. Nada intercepta um prompt e devolve uma negativa enlatada; nada inspeciona a conclusão e a censura. Para trabalho de produção em alto volume, as consequências são menos dramáticas e mais úteis do que a palavra sugere:

• Nenhum falso positivo em tráfego inofensivo. Endpoints filtrados recusam rotineiramente resumos médicos, relatórios de segurança, descoberta jurídica, ficção, material de redução de danos e o próprio trabalho de moderação — exatamente as categorias em que um trabalho em lote está processando texto sobre um tema sensível, e não produzindo nada nocivo. Em cem mil requisições, uma taxa de recusa falsa de um por cento são mil linhas quebradas.
• Contratos determinísticos. Peça uma resposta em json_schema e você recebe JSON que corresponde ao schema, não um parágrafo de desculpas onde deveria haver um objeto. O seu parser não precisa de um ramo para recusa, e a sua lógica de retentativa não tem de distinguir uma falha de transporte de uma falha de política.
• A política é sua. Essa é a troca. Se o seu produto precisa de salvaguardas para os seus usuários finais, você as constrói na sua camada, onde conhece os seus usuários e a sua jurisdição, em vez de herdar os palpites de um provedor sobre ambos. A sua conta continua regida pela nossa Política de Uso Responsável.

Sem censura não é o mesmo que desalinhado ou pouco prestativo. O modelo continua seguindo instruções e continua respeitando um prompt de sistema. Se você quer que ele recuse certas categorias para os seus usuários, diga isso ali — essa instrução agora é sua para escrever, e não nossa para impor.

08Capacidades e limites honestos

Duas capacidades carregam a maior parte do peso no trabalho de volume. A saída estrita em json_schema transforma uma conclusão numa linha de banco de dados sem camada de parsing e sem ramo de recusa. A chamada de ferramentas nos três dialetos faz do Flash um motor sensato para as subetapas baratas de um agente cujo planejador de topo roda num modelo mais forte. Acrescente o reasoning_effort, que deixa você gastar tokens extras apenas na fração do tráfego que precisa deles, e um contexto de 262,144 tokens idêntico ao do Pro — você não abre mão de contexto ao escolher o nível barato, o que é incomum.

Os limites são igualmente concretos:

• Sem visão. O Flash é só texto e vai rejeitar partes de imagem numa mensagem. Para imagens em um modelo sem censura no mesmo piso de $0.50 / $2.00, MiniMax-M3 e MiMo-V2.5 são as opções com visão; Kimi-K2.6 e Kimi-K3 são modelos de visão mais fortes acima desse nível.
• Não é o topo da escada. Os próprios números da DeepSeek colocam o Pro à frente em todos os benchmarks agênticos publicados, com a diferença maior no raciocínio de código sustentado em várias etapas. Onde uma resposta errada custa mais do que mil baratas, gaste os $1.45 extras por milhão no DeepSeek-V4-Pro.
• 16,384 tokens de saída por requisição. Gerações longas precisam ser fatiadas entre chamadas. Este é o mesmo teto em todo modelo que servimos, e ele aperta bem antes da janela de contexto.

09Chamando o modelo

Aponte qualquer cliente compatível com OpenAI para o gateway e mude a string do modelo. Nada mais na sua pilha precisa se mexer.

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
        }
      }
    }
  }'

O mesmo id de modelo funciona sem alteração em /v1/messages e /v1/responses, o que é a forma mais rápida de fazer um A/B com um modelo mais barato por baixo de uma integração existente sem reescrever o seu cliente. Parâmetros, formatos de eventos de streaming, schemas de chamada de ferramentas e limites de taxa estão documentados na referência da API; todos os modelos do catálogo estão listados em Shannon Research.

10Perguntas frequentes

---

Fontes: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Relatório técnico do DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · cartões de modelo do DeepSeek-V4-Flash-0731 e do DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Todos os números de fundação e de benchmark são os publicados pelos respectivos autores; os preços e o contexto servido pela Shannon AI são os nossos valores de tabela em setembro de 2026.