A API DeepSeek sem censura

Quem chega pela expressão "API DeepSeek sem censura" quer uma coisa bem específica: um modelo com a capacidade de raciocínio e programação do DeepSeek que responda à pergunta que foi de fato feita. A metade da capacidade está bem documentada — a DeepSeek-AI publicou a arquitetura e os números, e os pesos estão no Hugging Face sob licença MIT. A segunda metade é uma decisão de operação, e normalmente ela é tomada por você. Esta página cobre as duas coisas: o que é a fundação V4-Pro, o que a nossa build 3BIT-REAP faz com ela e exatamente o que significa "sem censura" quando somos nós que dizemos isso.

01O que "API DeepSeek sem censura" realmente significa

Dois mecanismos diferentes acabam arquivados sob a mesma palavra. O primeiro é o alinhamento embutido nos pesos — comportamento de recusa aprendido durante o pós-treinamento. O segundo é uma camada de moderação do lado do servidor: um classificador separado que inspeciona o seu prompt antes de o modelo o ver e a saída antes de você a ver, e que pode cortar uma resposta no meio da frase, independentemente do que o modelo queria dizer.

Os dois são mensuráveis, e o serviço próprio do DeepSeek já foi medido. A Promptfoo montou um conjunto de 1,360 prompts com perguntas politicamente sensíveis e relatou que o R1 hospedado do DeepSeek recusou ou desviou 1,156 delas — cerca de 85%. Trabalhos acadêmicos sobre a mesma família encontraram um modo de falha distinto que os autores chamaram de supressão de pensamento, em que o traço de raciocínio do modelo termina quase assim que começa num tema sensível. Uma auditoria separada, publicada na Information Sciences, documentou supressão em nível semântico: conteúdo presente no raciocínio interno do modelo que é silenciosamente omitido ou reescrito antes de chegar ao usuário. Esse é um problema mais difícil do que uma recusa explícita, porque uma resposta truncada se parece com uma resposta.

O que nós rodamos é a versão de pesos abertos, em hardware que operamos, nos Estados Unidos, sob a Shannon Lab LLC. Não há camada de recusa à frente do modelo nem filtro aplicado ao que volta: o seu prompt não é classificado por política antes de ser servido, e o fluxo de saída não é inspecionado no caminho de volta. Como a fundação é licenciada sob MIT e é pública, você pode comparar as nossas saídas com os pesos de referência por conta própria, em vez de acreditar na nossa palavra.

02A fundação: DeepSeek-V4-Pro, um MoE de 1.6T

O DeepSeek-V4 é a família de pesos abertos atual da DeepSeek-AI, apresentada em abril de 2026 e lançada sob MIT em dois tamanhos: V4-Flash (284B no total, 13B ativados) e V4-Pro (1.6T no total, 49B ativados). Este artigo é sobre o nível Pro. Os dois foram pré-treinados em cerca de 33 trilhões de tokens e os dois suportam nativamente um contexto de um milhão de tokens.

A razão de esparsidade é o que se deve notar: apenas cerca de 3% dos parâmetros disparam em qualquer token dado, e é isso que torna um modelo desse tamanho servível. O bloco MoE em si continua sendo o DeepSeekMoE — os especialistas roteados de granularidade fina mais os especialistas compartilhados sempre ativos, introduzidos no V2 — com apenas mudanças menores no V4, a mais visível sendo o roteamento por hash nas primeiras camadas. A Multi-Token Prediction, o objetivo auxiliar do V3 que também habilita decodificação especulativa, foi mantida sem alterações.

As peças novas do V4 são estruturais. As Manifold-Constrained Hyper-Connections (mHC) substituem o caminho residual simples por uma matriz de mistura aprendida, restringida à variedade das matrizes duplamente estocásticas por uma projeção de Sinkhorn–Knopp — um fluxo residual que se repondera por entrada sem a deriva numérica que mata pilhas muito profundas. O treinamento saiu do AdamW para o Muon na maioria dos módulos, usando ortogonalização de Newton–Schulz, com o AdamW mantido apenas para embeddings, cabeças de predição, normalização e os parâmetros estáticos do mHC. E os pesos dos especialistas são treinados em FP4, com a maioria dos demais parâmetros em FP8 — ou seja, cientes de quantização desde o início, o que importa para saber com que elegância o modelo aceita compressão adicional.

03De MLA a CSA + HCA: como o DeepSeek mantém o contexto longo barato

O fio condutor do DeepSeek ao longo de quatro gerações não é tamanho, é economia de atenção. Toda versão atacou o cache KV, que cresce linearmente com o contexto e domina a memória em comprimentos longos.

• O V2 introduziu a Multi-head Latent Attention (MLA) — uma compressão conjunta de baixo posto de chaves e valores em um vetor latente, de modo que a geração guarda em cache esse vetor mais uma chave RoPE desacoplada, em vez de K e V completos por cabeça. A DeepSeek relatou cache KV reduzido a cerca de 4–14% da atenção multi-head padrão, com a qualidade mantida ou melhorada.
• O V3 escalou isso para 671B, tornando a MLA a suposição padrão para contexto longo barato em modelos abertos.
• O V3.2 acrescentou a DeepSeek Sparse Attention (DSA), selecionando um subconjunto top-k do histórico por consulta através de um indexador leve, em vez de atender a tudo.
• O V4 hibridiza. A Compressed Sparse Attention (CSA) primeiro comprime as entradas KV de cada m tokens em uma única entrada com pesos aprendidos e depois roda a seleção esparsa top-k sobre essas entradas comprimidas. A Heavily Compressed Attention (HCA) comprime de forma muito mais agressiva, mas permanece densa sobre o resultado. Os dois tipos de camada são intercalados ao longo da pilha, de modo que resumo global barato e recuperação local precisa coexistem.

O ganho relatado num contexto de um milhão de tokens é gritante: o V4-Pro precisa de cerca de 27% dos FLOPs de inferência por token e 10% do cache KV do V3.2. É por isso que uma requisição de 262K se comporta como uma requisição normal em vez de um evento de memória, e por isso que os números de recuperação em contexto longo se sustentam em vez de desabar depois de algumas dezenas de milhares de tokens.

04O que o sufixo 3BIT-REAP significa

O id no nosso catálogo termina em 3BIT-REAP, e isso descreve duas etapas independentes de compressão aplicadas em ordem.

REAP: podar especialistas, não fundi-los

REAP é Router-weighted Expert Activation Pruning, da Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", aceito na ICLR 2026. Num MoE esparso, o roteador não usa os seus especialistas de maneira uniforme: uma cauda longa é selecionada raramente, fracamente, ou as duas coisas. O REAP pontua cada especialista combinando os valores de gate do roteador (com que frequência e com que força ele é escolhido) com as normas de ativação do especialista (quanto a saída dele contribui) e então apaga os perdedores de vez.

O argumento do artigo é que podar vence fundir: fundir dilui na média a especialização funcional que fez o MoE valer a pena construir, ao passo que apagar os especialistas que o roteador quase não alcança a preserva. Em modelos de 20B a 1T, o REAP superou a fusão e outros métodos concorrentes de poda em benchmarks generativos, e os autores relatam resultados quase sem perda em geração de código e chamada de ferramentas com 50% dos especialistas podados no Qwen3-Coder-480B e no Kimi-K2 — que é exatamente o perfil de carga de trabalho para o qual este modelo existe.

Pesos de 3 bits: o nível de compressão para as maiores fundações

O que sobrevive é então quantizado para pesos de 3 bits. Três bits é agressivo, e não fingimos o contrário: em toda a linha usamos W8A16 quando a fundação é pequena o bastante para não precisar do aperto, W4A16-AUTOROUND-REAP no meio e 3BIT-REAP apenas nas maiores fundações, onde ele é a diferença entre servir o modelo e não servi-lo.

Vale dizer o compromisso com todas as letras: um MoE de 1.6T em 3 bits não é bit a bit idêntico ao lançamento de referência, e um pequeno custo de qualidade é real. O que você ganha em troca é uma fundação cujo teto não comprimido fica muito acima de qualquer coisa que caiba confortavelmente em precisão mais alta — e, como os especialistas do V4 já foram treinados em FP4 desde o início, o modelo se comporta excepcionalmente bem sob compressão adicional de pesos. Se você quer uma build DeepSeek com a mão mais leve na precisão, o DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP usa pesos de 4 bits com ativações de 16 bits e o arredondamento aprendido do AutoRound, no mesmo contexto de 262K a $0.50 de entrada / $2.00 de saída.

05Raciocínio e o controle reasoning_effort

O pós-treinamento do V4 treina especialistas de domínio separadamente — matemática, programação, agentes, seguimento de instruções — com SFT seguido de GRPO, o método Group Relative Policy Optimization que a DeepSeek introduziu com o R1. Esses especialistas são depois unificados em um único modelo por destilação on-policy sob um objetivo de KL reversa, de modo que um único checkpoint carrega comportamento de nível especialista em vários domínios ao mesmo tempo, em vez de ser um generalista medíocre em todos eles.

O modelo lançado expõe modos de pensamento graduados, e não um interruptor binário. No nosso gateway isso é o parâmetro padrão reasoning_effort, o botão mais útil deste modelo:

• Low — resposta quase direta: classificação, extração, reescrita, qualquer coisa em que você está pagando pelo conhecimento do modelo e não pela deliberação dele.
• Medium — o modo de trabalho padrão para revisão de código, depuração e análise em várias etapas.
• High — deliberação longa antes de responder. É onde os problemas difíceis são resolvidos, e onde mora a sua conta de tokens de saída, já que tokens de raciocínio são cobrados como saída.

Como não existe camada de recusa, o traço de raciocínio não é truncado em assuntos sensíveis — o padrão de supressão de pensamento documentado no serviço próprio não tem mecanismo para acontecer aqui.

06Código e trabalho agêntico: o que a fundação pontua

Estes são os números publicados pela própria DeepSeek-AI para o lançamento do V4-Pro — não são nossos e não foram medidos na nossa build quantizada. Nós os mostramos porque são a razão honesta para escolher esta fundação, e os sinalizamos como de primeira parte para que você os pondere adequadamente.

Dois merecem comentário. SWE-bench Verified em 80.6% é resolução de issues em repositórios reais — ler uma base de código desconhecida, localizar o defeito, produzir um patch que passa nos testes do próprio projeto. MRCR em um milhão de tokens (83.5) é recuperação de correferência em várias rodadas no comprimento total, o número que diz que a promessa de contexto longo não é decorativa. A DeepSeek também relata um rating de 3206 no Codeforces para o modelo, e 62.0 no CorpusQA em contexto de 1M.

Os números acima são relatados pela DeepSeek-AI para o lançamento de referência do DeepSeek-V4-Pro. A nossa build 3BIT-REAP é uma variante comprimida desses pesos e não foi avaliada de forma independente nessas tarefas; trate as pontuações de referência como o teto da fundação, não como uma medição deste endpoint.

07Contexto de 262K: o que cabe de verdade

O modelo de referência é treinado para um milhão de tokens. Nós servimos 262,144 — a janela que todos os modelos do gateway compartilham, de modo que trocar de modelo é uma mudança de uma linha e nunca uma regressão de contexto. Na prática, 262K está além do ponto em que o contexto aperta na maior parte do trabalho real:

Carga de trabalho	Tokens aprox.	Cabe em 262K?
Repositório de serviço médio (~50k linhas)	~600K	Não — selecione módulos
Um subsistema + os testes dele	~60–120K	Sim, com folga
Conjunto completo de RFCs de um protocolo	~150K	Sim
Um livro técnico de 700 páginas	~250K	Sim, perto do limite
Execução longa de agente, 40+ turnos de ferramenta	~80–200K	Sim

O limite a planejar é a saída: 16,384 tokens no máximo por resposta. Isso é um documento longo ou um patch substancial de vários arquivos, mas não uma base de código. Trabalhos grandes de geração são feitos encadeando requisições com a saída anterior de volta no contexto — o que a janela de 262K torna barato — e não pedindo uma única conclusão enorme.

08Preço e onde o V4-Pro fica na linha

A $1.95 de entrada / $3.90 de saída por milhão de tokens, o V4-Pro é o nível de raciocínio carro-chefe — o modelo que você procura quando o problema é difícil. Quando ele é apenas grande, modelos mais baratos na mesma janela de 262K dão conta por um quarto do preço.

Modelo sem censura	Entrada / 1M	Saída / 1M	Visão	Melhor para
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Não	Raciocínio difícil, código, agentes
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Não	Mesma linhagem, alto volume
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Não	Cavalo de batalha de uso geral
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Sim	Agentes multimodais de topo
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Sim	Visão mais barata

Sendo francos sobre a comparação que as pessoas de fato vão fazer: a API do próprio DeepSeek é mais barata que esta — o V4-Pro de primeira parte custa em torno de $0.435 de entrada / $0.87 de saída, e o preço de entrada com acerto de cache é ainda menor. Se preço por token é o seu único critério e o comportamento de moderação não afeta o seu trabalho, use a API deles; preferimos dizer isso a você agora do que você descobrir depois. O prêmio compra um conjunto diferente de propriedades: nenhuma camada de recusa e nenhum filtro de saída, um operador nos EUA sob a Shannon Lab LLC, um checkpoint datado e fixado (0813) para que uma atualização silenciosa do upstream nunca mude as suas saídas no meio do projeto, três dialetos de API contra um único modelo, e a mesma janela de 262K e a mesma superfície de parâmetros nos doze modelos da linha.

09Chamando o modelo: três dialetos, um modelo

Todo modelo do gateway responde nos três endpoints, com streaming em cada um. Você não adota um SDK novo — você muda uma URL base e um id de modelo.

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 — dialeto OpenAI; funciona com os SDKs da OpenAI e com qualquer coisa construída sobre eles.
• /v1/messages — dialeto Anthropic, para bases de código já escritas nesse formato.
• /v1/responses — a interface no estilo Responses.

Suportados neste modelo: streaming, chamada de ferramentas nativa, saída estruturada estrita em json_schema, response_format e reasoning_effort. A referência completa de parâmetros e um playground ao vivo estão na documentação da API.

10Limites honestos

Quatro coisas para saber antes de construir em cima dele:

• Sem visão. Só texto; ele não aceita imagem na entrada em nenhum endpoint. Se você precisa de um modelo sem censura que enxergue, use Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ou inkling.
• Teto de saída de 16,384 tokens. Tokens de raciocínio contam contra ele em esforço alto, então uma deliberação longa deixa menos espaço para a resposta. Encadeie requisições em trabalhos grandes de geração.
• 3 bits é uma compressão de verdade. As pontuações de referência descrevem a fundação, não esta build. Para o nível de maior fidelidade, os modelos W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) carregam a menor quantização.
• Sem censura não é sem consequências. Não haver camada de recusa significa que a responsabilidade pelo que você pergunta, e pelo que faz com a resposta, é sua — sob os nossos termos de serviço e a lei do lugar onde você opera.

11Perguntas frequentes

---

Fontes: DeepSeek-AI — cartão de modelo do DeepSeek-V4-Pro · Relatório técnico do DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Relatório técnico do DeepSeek-V3 · REAP the Experts (Cerebras Research) · Auditoria de censura da Promptfoo · Discovering Forbidden Topics in Language Models. Os números de benchmark são relatados pela DeepSeek-AI para o lançamento de referência; a verificação independente por terceiros da build comprimida está pendente. Os preços são os de tabela da Shannon AI em 5 de setembro de 2026.