API DeepSeek Flash fără cenzură

Majoritatea echipelor care evaluează un API de LLM optimizează variabila greșită. Fac benchmark pe cele mai grele douăzeci de prompturi la care se pot gândi, aleg câștigătorul și descoperă șase săptămâni mai târziu că nouăzeci și cinci la sută din traficul lor este muncă scurtă, structurată și repetitivă, pe care un model de patru ori mai ieftin ar fi rezolvat-o identic. DeepSeek-V4-Flash există pentru acele nouăzeci și cinci de procente. Pagina asta e despre a ști când te afli în ele — și când nu.

01Ce primești, concret

Proprietate	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Identificator de model	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Context / ieșire maximă	262.144 de tokenuri / 16.384 de tokenuri
Preț per 1M (intrare / ieșire)	$0.50 / $2.00
Streaming · apeluri de unelte · raționament	Da — pe toate cele trei dialecte
Ieșire structurată	json_schema și response_format
Intrare de tip imagine (viziune)	Nu — doar text
Strat de refuz / filtru de ieșire	Niciunul
Servit pe	propriul cluster GPU al Shannon

Trei dialecte de API ajung la aceleași greutăți: /v1/chat/completions (în forma OpenAI), /v1/messages (în forma Anthropic) și /v1/responses. Streamingul funcționează pe toate trei. Referința completă de parametri este în documentația API.

02De unde vine: descendența DeepSeek

DeepSeek-AI a petrecut cinci generații de modele pe o singură obsesie: să scoată comportament de frontieră dintr-un model ieftin de servit, nu doar ieftin de antrenat. Aproape fiecare decizie arhitecturală din serie se întoarce la asta, iar cele importante sunt publicate. Trei dintre ele explică ce apelezi când lovești acest endpoint.

DeepSeekMoE — experți cu granularitate fină, plus unul partajat

Un strat Mixture-of-Experts înlocuiește o rețea feed-forward mare cu multe rețele mai mici și un router care selectează o mână dintre ele per token. Varianta DeepSeek feliază experții mai fin decât aranjamentul convențional cu opt experți, astfel încât aceleași FLOP-uri activate cumpără un amestec mult mai specific combinatoriu, și izolează un expert partajat prin care trece fiecare token, ca să nu fie reînvățate redundant cunoștințele comune în fiecare specialist. DeepSeek-V3 a livrat asta ca 256 de experți rutați plus 1 expert partajat, activând 8 experți rutați per token — 671 B de parametri totali, 37 B activi — împreună cu echilibrarea încărcării fără pierdere auxiliară: în loc de un termen de penalizare care degradează calitatea, o abatere per expert împinge scorurile de rutare în sus sau în jos la fiecare pas, după cum expertul respectiv este sub- sau supraîncărcat.

MLA — atenție care încape în memorie

Cealaltă jumătate a problemei costului de servire este cache-ul KV, care crește liniar cu contextul și domină memoria la lungimi mari de secvență. Multi-head Latent Attention, introdusă în DeepSeek-V2, comprimă cheile și valorile în comun într-un vector latent de rang redus și pune acel vector în cache, reconstruind K/V utilizabile din mers. Cifrele V2 publicate de DeepSeek, față de modelul lor dens anterior DeepSeek 67B, raportează o reducere de 93,3% a cache-ului KV și un debit maxim de generare de 5,76× mai mare. De aceea o fereastră de 262K de tokenuri este ceva de la sine înțeles în această familie, nu un supliment de lux.

Atenția rară — și precedentul pentru tokenuri ieftine

V3.2-Exp a adăugat DeepSeek Sparse Attention: un indexator ușor punctează tokenurile din context față de interogare, iar un selector îi păstrează doar pe cei mai bine punctați. Partea interesantă este dovada, nu mecanismul. DeepSeek a publicat o comparație directă cu V3.1-Terminus, cu MMLU-Pro identic la 85,0, AIME 2025 în creștere (88,4 → 89,3) și SWE-bench Verified marginal în scădere (68,4 → 67,8) — practic calitate neschimbată — și și-au tăiat prețurile de API cu peste 50% în aceeași zi. Arhitectură, raportată onest, transformată direct în preț. Flash este același argument dus cu un pas mai departe.

Generația V4

V4, prezentat în avanpremieră în aprilie 2026 sub licență MIT, înlocuiește din nou stiva de atenție cu un hibrid de Compressed Sparse Attention și Heavily Compressed Attention, se antrenează cu optimizatorul Muon pe peste 32 T de tokenuri și păstrează obiectivul de predicție multi-token din V3 — care ține și loc de decodare speculativă și pe care DeepSeek l-a măsurat la o rată de acceptare a celui de-al doilea token de 85–90%, pentru o accelerare a decodării de circa 1,8× în V3. Rezumatul V4 raportează că V4-Pro rulează la 27% din FLOP-urile de inferență per token ale lui V3.2 și 10% din cache-ul lui KV. Familia expune trei niveluri de efort de raționament, iar pe ele se mapează parametrul nostru reasoning_effort.

Surse: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Raportul tehnic DeepSeek-V3 (arXiv 2412.19437) · fișa de model DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Toate cifrele sunt raportate de DeepSeek.

03Ce înseamnă de fapt „Flash”

Aici greșesc majoritatea comparațiilor, așa că merită spus pe șleau: Flash de la DeepSeek nu este un Pro cuantizat, tăiat sau distilat. Este un model Mixture-of-Experts mai mic, antrenat separat, cu propria lui rulare de preantrenare. Lucrarea de avanpremieră a V4 dă cele două dimensiuni:

Cifre din lucrarea de avanpremieră DeepSeek-V4. Checkpointurile oficiale pe care le servim — V4-Flash-0731 și V4-Pro-0813 — listează pe fișele lor de model totaluri ceva mai mari, de 304 B și 1,7 T; DeepSeek nu reafirmă parametrii activați pentru acele build-uri.

Două cifre fac toată treaba aici. Parametrii totali stabilesc amprenta de memorie, care decide cât hardware ocupă o copie a modelului. Parametrii activați stabilesc aritmetica per token, care decide debitul. Flash este de circa 5,6× mai mic la prima și de 3,8× mai mic la a doua — iar în această diferență se ascunde o subtilitate care merită observată: Flash activează 13 din 284 de miliarde de parametri, cam 4,6%, în timp ce Pro activează 49 din 1.600 de miliarde, cam 3,1%. Flash este modelul mai puțin rar. Nu este pur și simplu Pro cu mai puțini experți porniți; este un design mai dens, echilibrat altfel, care cheltuiește o parte mai mare din el însuși pe fiecare token pe care îl produce. Aceasta este o alegere inginerească reală, nu o degradare.

Ce spun cifrele proprii ale DeepSeek

Ambele fișe oficiale de model publică scoruri pe aceleași benchmarkuri agentice și de inginerie software, ceea ce face din asta o comparație neobișnuit de curată — același laborator, același harness de evaluare, două dimensiuni:

Benchmark (raportat de 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

Pro câștigă fiecare rând. Acesta este titlul onest și preferăm să îl citești aici decât să îl descoperi în producție. Dar citește marjele, pentru că ele sunt ce cumperi de fapt. La Terminal Bench 2.1, diferența este de 5,2 puncte, la un model cu a douăzeci și cincea parte din parametri; la folosirea uneltelor, este de 3,8 puncte. Diferența se lărgește acolo unde munca devine cea mai adâncă — 8,3 puncte la DeepSWE, 7,3 la NL2Repo, ambele răsplătind raționamentul susținut pe cod, în mai mulți pași. Asta este forma compromisului, într-un singur tabel: Flash acoperă cea mai mare parte a distanței la sarcini delimitate și cedează teren la cele deschise.

Fișa proprie a Flash de la DeepSeek face punctul și mai tăios: Flash-0731 depășește avanpremiera V4-Pro la benchmarkurile listate, în ciuda numărului mult mai mic de parametri activați. Un model mic mai nou care bate unul mare mai vechi este starea normală de lucruri în domeniul acesta și este motivul pentru care „treapta mai mare” nu ar trebui să fie niciodată răspunsul tău implicit.

04Cum se citește sufixul: W4A16-AUTOROUND-REAP

Identificatorii noștri de model își spun schema de compresie cu voce tare, pentru că este lucrul care afectează cel mai mult calitatea ieșirii și pe care aproape nimeni nu îl dezvăluie. Acesta se descompune în trei afirmații.

W4A16 — greutăți pe 4 biți, activări pe 16 biți

Greutățile sunt stocate pe câte 4 biți; activările curg la precizie de 16 biți. Aceasta este cuantizare doar pe greutăți și țintește adevăratul gât de sticlă din generarea de tokenuri, care este lățimea de bandă a memoriei, nu aritmetica. Cuantizarea și a activărilor ar cumpăra ceva viteză în plus și ar risca o prăbușire mult mai mare de acuratețe; lăsarea lor pe 16 biți este alegerea conservatoare, de fidelitate ridicată. Notația este o prescurtare din ecosistemul de servire — literatura de cuantizare scrie același lucru ca W4 cu o dimensiune de grup.

AUTOROUND — rotunjire învățată, nu rotunjire la cel mai apropiat

Cuantizarea naivă rotunjește fiecare greutate la cea mai apropiată valoare reprezentabilă. Asta nu este demonstrabil optim: rotunjirea unei greutăți în direcția „greșită” poate anula eroarea introdusă de vecinele ei, iar cu miliarde de greutăți acele interacțiuni domină. AutoRound, de la Intel, tratează însăși decizia de rotunjire ca pe ceva de învățat — o perturbație antrenabilă per greutate, constrânsă la ±0,5, exact cât să răstoarne orice decizie individuală de rotunjire și niciodată mai mult, plus intervale de tăiere învățabile, optimizate prin coborâre de gradient cu semn față de un obiectiv de reconstrucție a ieșirii, bloc cu bloc, pe un set mic de calibrare. Două sute de pași și gata.

Comparațiile publicate de Intel arată AutoRound bătând GPTQ în 30 din 32 de scenarii testate, AWQ în 27 din 32 și OmniQuant în 29 din 32, la setări de 4 biți doar pe greutăți, cu câștiguri față de rotunjirea naivă la cel mai apropiat de 6,9 până la 33,2 puncte de acuratețe la 2 biți. Nimic din toate astea nu costă ceva la inferență: este o alegere mai bună a numerelor, făcută o singură dată, offline.

REAP — eliminarea experților la care nu rutează nimeni

REAP (Router-weighted Expert Activation Pruning), de la Cerebras Systems și de la University of Calgary, este compresie într-un singur pas pentru modele MoE. Punctează fiecare expert după cât de puternic și cât de des rutează routerul spre el, înmulțit cu magnitudinea ieșirii acelui expert, apoi îi șterge direct pe cei mai puțin relevanți — fără reantrenare după aceea.

Constatarea centrală a lucrării este cea utilă: la rate mari de compresie, tăierea experților bate contopirea lor. Contopirea unor experți distincți funcțional provoacă ceea ce autorii numesc colaps al subspațiului funcțional — routerul pierde controlul fin, dependent de intrare, care făcea MoE-ul să merite construit, și rămâne să navigheze între medii statice. Cifrele lor, pe modele de la 20 B la 1 T de parametri: la 25% compresie de experți pe sarcini de programare, REAP pierde 2,8% acuratețe medie, acolo unde liniile de bază prin contopire pierd peste 5%; la 50%, REAP pierde 8,0%, acolo unde contopirea pierde peste 20%. Pe Qwen3-Coder-480B, la 50% tăiere, scăderea este de 1,4%, față de 39,3% la tăierea naivă bazată pe frecvență. Cerebras a publicat checkpointuri REAP și pentru linia DeepSeek, printre altele.

De ce 4 biți aici și 3 biți pe Pro

Ambele trepte trebuie să încapă și să rămână rapide pe aceeași clasă de hardware. Pro poartă 1,7 trilioane de parametri, deci are nevoie de tratamentul mai agresiv pe 3 biți doar ca să încapă. Flash poartă circa 300 de miliarde, deci nu are — iar bitul economisit se cheltuie pe fidelitate, nu pe încăpere.

Bitul acela în plus contează mai mult decât sugerează aritmetica, pentru că dauna cuantizării nu este liniară. În măsurătorile pe WikiText-2 din lucrarea AWQ, Llama-2-7B trece de la o perplexitate de 5,47 la FP16 la 5,60 la 4 biți — o penalizare de 2,4% — dar la 6,24 la 3 biți, o penalizare de 14%. Asta înseamnă cam de șase ori mai multă degradare pentru 25% compresie în plus, iar același tipar se menține și la 70 B. Lucrarea GPTQ este și mai directă: la 3 biți, rotunjirea naivă la cel mai apropiat se prăbușește pe modele din clasa 175 B, în perplexități de ordinul miilor, rămânând perfect utilizabilă la 4 biți. Sub patru biți, un algoritm bun de cuantizare încetează să mai fie un moft și devine singurul lucru care ține modelul închegat.

Așa că citirea onestă a acestor două sufixe este: Flash stă mai aproape de propria lui versiune necomprimată decât stă Pro de a lui. Pro rămâne modelul mai puternic — tabelul de benchmarkuri de mai sus lămurește asta. Doar că a cedat mai mult ca să ajungă aici, iar tu plătești pentru privilegiu.

Surse: 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. Cifrele de perplexitate provin din AWQ (arXiv 2306.00978) și GPTQ (arXiv 2210.17323).

05Flash față de Pro, la nivel de endpoint

Secțiunea 03 a acoperit fundațiile. Iată cum arată cele două trepte ca produse pe gateway-ul nostru:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Cuantizare	W4A16-AUTOROUND-REAP	3BIT-REAP
Precizia greutăților	4 biți, rotunjire învățată	3 biți
Fundație (total / activi)	~304B / 13B	~1.7T / 49B
Intrare per 1M de tokenuri	$0.50	$1.95
Ieșire per 1M de tokenuri	$2.00	$3.90
Context / ieșire maximă	262.144 / 16.384	262.144 / 16.384
Unelte · ieșire structurată · streaming	Da	Da
Viziune	Nu	Nu
Strat de refuz	Niciunul	Niciunul

Observă ce nu se schimbă: contextul, plafonul de ieșire, apelurile de unelte, ieșirea structurată și absența unui strat de refuz sunt identice. Singurele lucruri care se mișcă sunt fundația, cuantizarea și prețul. Asta face din trecerea de la unul la altul o modificare de un singur șir în codul tău și o decizie pur economică în arhitectura ta.

Cât costă un singur apel de dimensiune maximă

Umple întregul context de 262.144 de tokenuri și ia ieșirea completă de 16.384 de tokenuri:

La prețul de listă. Flash: 0,131 $ intrare + 0,033 $ ieșire. Pro: 0,511 $ + 0,064 $. Raport 3,51×. Flash împarte pragul de 0,50 $ / 2,00 $ și cu MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro și Hy3 — vezi catalogul complet pentru cum diferă acelea la viziune și la ieșirea structurată.

06Matematica volumului, dusă până la capăt

„De 3,9× mai ieftin” este adevărat doar la intrare. La ieșire, Flash este de 1,95× mai ieftin. Economia ta reală depinde deci de raportul dintre intrare și ieșire, iar diferența e destul de mare cât să schimbe decizii de proiectare. Patru sarcini realiste, fiecare la 100.000 de cereri:

Sarcină	Intrare / ieșire per apel	Flash	Pro	Economie
Clasificare de tichete	1.200 / 120	$84	$281	3,3×
Răspuns la întrebări pe bază de RAG	8.000 / 600	$520	$1,794	3,4×
Rezumat de document lung	60.000 / 1.500	$3,300	$12,285	3,7×
Generare de date sintetice	500 / 2.000	$425	$878	2,1×

Tiparul: cu cât împingi mai mult context și cu cât generezi mai puțin text, cu atât Flash îți economisește mai mult. Fluxurile de regăsire, trierea documentelor, analiza de jurnale și de transcrieri și extragerea pe context lung sunt zona ideală — sunt dominate de intrare cu un ordin de mărime, iar la intrare stă reducerea de 3,9×. Dacă, în schimb, sarcina ta este un prompt scurt care produce mii de tokenuri de proză, diferența se strânge la circa 2×, iar argumentul de capabilitate pentru Pro devine pe măsură mai puternic.

Încă o socoteală care merită interiorizată: la 0,50 $ per milion de tokenuri de intrare, umplerea întregii ferestre de 262.144 de tokenuri costă 13,1 cenți. Promptingul pe context lung încetează să mai fie o chestiune de buget la prețul ăsta, ceea ce înseamnă uneori că poți sări complet peste construirea unui strat de regăsire și poți lăsa fereastra de context să facă treaba — o economie inginerească peste economia de tokenuri.

07Ce înseamnă „fără cenzură” aici, exact

Cuvântul este folosit lejer, așa că iată definiția noastră, formulată ca proprietate a endpointului: nu există un clasificator de refuz în fața modelului și nicio filtrare de conținut aplicată ieșirii lui. Nimic nu interceptează un prompt ca să întoarcă un refuz gata scris; nimic nu inspectează completarea ca să o cenzureze. Pentru munca de producție în volum mare, consecințele sunt mai puțin dramatice și mai utile decât sugerează cuvântul:

• Fără fals pozitive pe trafic benign. Endpointurile filtrate refuză în mod curent rezumate medicale, analize de securitate, descoperire juridică, ficțiune, materiale de reducere a riscurilor și chiar munca de moderare — exact categoriile în care o sarcină de lot procesează text despre un subiect sensibil, fără să producă nimic dăunător. La o sută de mii de cereri, o rată de refuz fals de un procent înseamnă o mie de rânduri stricate.
• Contracte deterministe. Cere un răspuns json_schema și primești JSON care se potrivește cu schema, nu un paragraf de scuze acolo unde ar trebui să fie un obiect. Parserul tău nu are nevoie de o ramură pentru refuzuri, iar logica ta de reîncercare nu trebuie să distingă un eșec de transport de unul de politică.
• Politica îți aparține. Ăsta este schimbul. Dacă produsul tău are nevoie de bariere pentru utilizatorii tăi finali, le construiești la nivelul tău, unde îți cunoști utilizatorii și jurisdicția, în loc să moștenești presupunerile unui furnizor despre amândouă. Contul tău rămâne guvernat de Politica noastră de utilizare responsabilă.

Fără cenzură nu este același lucru cu nealiniat sau neajutorat. Modelul urmează în continuare instrucțiunile și respectă în continuare un prompt de sistem. Dacă vrei să refuze anumite categorii pentru utilizatorii tăi, spune-i acolo — acea instrucțiune îți revine acum ție să o scrii, în loc să ne revină nouă să ți-o impunem.

08Capabilități și limite oneste

Două capabilități duc cea mai mare parte a greutății pentru munca de volum. Ieșirea strictă json_schema transformă o completare într-un rând de bază de date, fără strat de parsare și fără ramură pentru refuzuri. Apelurile de unelte pe toate cele trei dialecte fac din Flash un motor rezonabil pentru subpașii ieftini ai unui agent al cărui planificator de nivel înalt rulează pe un model mai puternic. Adaugă reasoning_effort, care îți permite să cheltui tokenuri în plus doar pe fracțiunea de trafic care are nevoie de ei, și un context de 262.144 de tokenuri identic cu al lui Pro — nu renunți la context alegând treapta ieftină, ceea ce este neobișnuit.

Limitele sunt la fel de concrete:

• Fără viziune. Flash este doar text și va respinge părțile de tip imagine dintr-un mesaj. Pentru imagini pe un model fără cenzură la același prag de 0,50 $ / 2,00 $, opțiunile cu viziune sunt MiniMax-M3 și MiMo-V2.5; Kimi-K2.6 și Kimi-K3 sunt modele de viziune mai puternice, peste acea treaptă.
• Nu este vârful scării. Cifrele proprii ale DeepSeek pun Pro înainte la fiecare benchmark agentic publicat, cu diferența cea mai mare la raționamentul susținut pe cod, în mai mulți pași. Acolo unde un răspuns greșit costă mai mult decât o mie de răspunsuri ieftine, dă cei 1,45 $ în plus per milion pe DeepSeek-V4-Pro.
• 16.384 de tokenuri de ieșire per cerere. Generările lungi trebuie împărțite pe mai multe apeluri. Este același plafon la fiecare model pe care îl servim și se atinge mult înaintea ferestrei de context.

09Cum îl apelezi

Îndreaptă orice client compatibil OpenAI spre gateway și schimbă șirul modelului. Nimic altceva din stiva ta nu trebuie să se miște.

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
        }
      }
    }
  }'

Același identificator de model funcționează neschimbat pe /v1/messages și /v1/responses, ceea ce este cea mai rapidă cale de a testa A/B un model mai ieftin sub o integrare existentă, fără să îți rescrii clientul. Parametrii, formele evenimentelor de streaming, schemele de apeluri de unelte și limitele de rată sunt documentate în referința API; fiecare model din catalog este listat la Shannon Research.

10Întrebări frecvente

---

Surse: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Raportul tehnic DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · fișele de model DeepSeek-V4-Flash-0731 și DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Toate cifrele de fundație și de benchmark sunt cele publicate de autorii lor; prețurile Shannon AI și contextul servit sunt valorile noastre de listă din septembrie 2026.