API-ul DeepSeek fără cenzură

Cei care ajung la expresia „API DeepSeek fără cenzură” vor un lucru anume: un model cu capacitatea de raționament și de programare a lui DeepSeek, care răspunde la întrebarea pusă efectiv. Jumătatea de capabilitate este bine documentată — DeepSeek-AI a publicat arhitectura și cifrele, iar greutățile sunt pe Hugging Face sub licență MIT. A doua jumătate este o decizie de operare și, de obicei, se ia în locul tău. Pagina aceasta acoperă ambele: ce este fundația V4-Pro, ce îi face build-ul nostru 3BIT-REAP și ce înseamnă exact „fără cenzură” când o spunem noi.

01Ce înseamnă de fapt „API DeepSeek fără cenzură”

Două mecanisme diferite ajung sub același cuvânt. Primul este alinierea coaptă în greutăți — comportamentul de refuz învățat în post-antrenare. Al doilea este un strat de moderare pe partea de servire: un clasificator separat care îți inspectează promptul înainte ca modelul să îl vadă și ieșirea înainte să o vezi tu, și care poate reteza un răspuns în mijlocul propoziției, indiferent ce voia modelul să spună.

Ambele sunt măsurabile, iar serviciul propriu al DeepSeek a fost măsurat. Promptfoo a alcătuit un set de 1.360 de prompturi cu întrebări sensibile politic și a raportat că R1 găzduit de DeepSeek a refuzat sau a deviat 1.156 dintre ele — aproximativ 85%. Lucrări academice pe aceeași familie au găsit un mod distinct de eșec, numit de autori suprimare a gândirii, în care urma de raționament a modelului se termină aproape imediat ce începe, pe un subiect sensibil. Un audit separat publicat în Information Sciences a documentat suprimarea la nivel semantic: conținut prezent în raționamentul intern al modelului, care este omis pe tăcute sau rescris înainte să ajungă la utilizator. Aceasta este o problemă mai grea decât un refuz pe față, pentru că un răspuns trunchiat arată ca un răspuns.

Noi rulăm versiunea cu greutăți deschise, pe hardware operat de noi, în Statele Unite, sub Shannon Lab LLC. Nu există niciun strat de refuz în fața modelului și niciun filtru aplicat la ce se întoarce: promptul tău nu este clasificat pentru politici înainte de a fi servit, iar fluxul de ieșire nu este inspectat la plecare. Pentru că fundația are licență MIT și este publică, poți compara singur rezultatele noastre cu greutățile de referință, în loc să ne crezi pe cuvânt.

02Fundația: DeepSeek-V4-Pro, un MoE de 1,6 T

DeepSeek-V4 este familia actuală cu greutăți deschise de la DeepSeek-AI, prezentată în avanpremieră în aprilie 2026 și livrată sub MIT în două dimensiuni: V4-Flash (284 B total, 13 B activați) și V4-Pro (1,6 T total, 49 B activați). Articolul acesta este despre treapta Pro. Ambele au fost preantrenate pe circa 33 de trilioane de tokenuri și ambele suportă nativ un context de un milion de tokenuri.

Raportul de sparsitate este lucrul de remarcat: doar circa 3% dintre parametri se activează pe un token dat, ceea ce face ca un model de dimensiunea asta să poată fi servit. Blocul MoE în sine rămâne DeepSeekMoE — experții rutați cu granularitate fină plus experții partajați mereu activi, introduși în V2 — cu doar mici schimbări în V4, cea mai vizibilă fiind rutarea prin hash în primele straturi. Multi-Token Prediction, obiectivul auxiliar din V3 care permite și decodarea speculativă, este păstrat neschimbat.

Piesele noi din V4 sunt structurale. Manifold-Constrained Hyper-Connections (mHC) înlocuiesc calea reziduală simplă cu o matrice de amestec învățată, constrânsă pe varietatea matricelor dublu stocastice printr-o proiecție Sinkhorn–Knopp — un flux rezidual care se reponderează în funcție de intrare, fără deriva numerică ce ucide stivele foarte adânci. Antrenarea a trecut de la AdamW la Muon pentru majoritatea modulelor, folosind ortogonalizarea Newton–Schulz, AdamW fiind păstrat doar pentru embeddinguri, capetele de predicție, normalizare și parametrii statici mHC. Iar greutățile experților sunt antrenate în FP4, cu majoritatea celorlalți parametri în FP8 — conștiente de cuantizare de la bun început, ceea ce contează pentru cât de grațios suportă modelul o compresie ulterioară.

03De la MLA la CSA + HCA: cum ține DeepSeek contextul lung ieftin

Firul roșu al DeepSeek de-a lungul a patru generații nu este dimensiunea, ci economia atenției. Fiecare versiune a atacat cache-ul KV, care crește liniar cu contextul și domină memoria la lungimi mari.

• V2 a introdus Multi-head Latent Attention (MLA) — o compresie comună de rang redus a cheilor și valorilor într-un vector latent, astfel încât generarea păstrează în cache acel vector plus o cheie RoPE decuplată, în loc de K și V complete pe fiecare cap. DeepSeek a raportat un cache KV scăzut la aproximativ 4–14% față de atenția multi-head standard, cu calitatea menținută sau îmbunătățită.
• V3 a scalat asta la 671 B, făcând din MLA presupunerea implicită pentru context lung ieftin în modelele deschise.
• V3.2 a adăugat DeepSeek Sparse Attention (DSA), selectând un subset top-k din istoric pentru fiecare interogare printr-un indexator ușor, în loc să atendeze la tot.
• V4 hibridizează. Compressed Sparse Attention (CSA) comprimă întâi intrările KV ale fiecăror m tokenuri într-o singură intrare, cu ponderi învățate, apoi rulează selecție rară top-k peste acele intrări comprimate. Heavily Compressed Attention (HCA) comprimă mult mai agresiv, dar rămâne densă peste rezultat. Cele două tipuri de straturi sunt intercalate prin stivă, astfel încât rezumatul global ieftin și regăsirea locală precisă coexistă.

Câștigul raportat la un context de un milion de tokenuri este izbitor: V4-Pro are nevoie de circa 27% din FLOP-urile de inferență per token și 10% din cache-ul KV ale lui V3.2. De asta o cerere de 262K se comportă ca o cerere normală, nu ca un eveniment de memorie, și de asta cifrele de regăsire pe context lung se țin, în loc să se prăbușească după câteva zeci de mii de tokenuri.

04Ce înseamnă sufixul 3BIT-REAP

Identificatorul nostru de catalog se termină în 3BIT-REAP, iar asta descrie doi pași independenți de compresie, aplicați în ordine.

REAP: tăierea experților, nu contopirea lor

REAP înseamnă Router-weighted Expert Activation Pruning, de la Cerebras Research — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”, acceptat la ICLR 2026. Într-un MoE rar, routerul nu își folosește experții uniform: o coadă lungă este selectată rar, slab sau ambele. REAP punctează fiecare expert combinând valorile porții routerului (cât de des și cât de puternic este ales) cu normele de activare ale expertului (cât contribuie ieșirea lui), apoi îi șterge pe cei cu punctaj mic.

Argumentul lucrării este că tăierea bate contopirea: contopirea mediază până la dispariție specializarea funcțională care a făcut MoE-ul să merite construit, în timp ce ștergerea experților la care routerul abia ajunge o păstrează. Pe modele de la 20 B la 1 T, REAP a depășit contopirea și metodele concurente de tăiere pe benchmarkuri generative, iar autorii raportează rezultate aproape fără pierderi la generarea de cod și la apelurile de unelte, cu 50% dintre experți tăiați, pe Qwen3-Coder-480B și Kimi-K2 — exact profilul de sarcini pentru care este aici acest model.

Greutăți pe 3 biți: treapta de compresie pentru cele mai mari fundații

Ce supraviețuiește este apoi cuantizat la greutăți pe 3 biți. Trei biți înseamnă agresiv și nu pretindem altceva: în toată gama folosim W8A16 acolo unde fundația e destul de mică încât să nu aibă nevoie de strângere, W4A16-AUTOROUND-REAP la mijloc și 3BIT-REAP doar pe cele mai mari fundații, unde e diferența dintre a servi modelul și a nu-l servi deloc.

Compromisul merită spus pe șleau: un MoE de 1,6 T pe 3 biți nu este identic bit cu bit cu versiunea de referință, iar un mic cost de calitate este real. În schimb primești o fundație al cărei plafon necomprimat stă mult peste orice încape confortabil la precizie mai mare — iar pentru că experții din V4 au fost antrenați de la început în FP4, modelul se comportă neobișnuit de bine sub compresie suplimentară a greutăților. Dacă vrei un build DeepSeek cu mână mai ușoară pe precizie, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP folosește greutăți pe 4 biți cu activări pe 16 biți și rotunjirea învățată AutoRound, pe același context de 262K, la 0,50 $ intrare / 2,00 $ ieșire.

05Raționamentul și butonul reasoning_effort

Post-antrenarea lui V4 antrenează separat specialiști pe domenii — matematică, programare, agenți, urmarea instrucțiunilor — cu SFT urmat de GRPO, metoda Group Relative Policy Optimization introdusă de DeepSeek odată cu R1. Acei specialiști sunt apoi unificați într-un singur model prin distilare on-policy sub un obiectiv KL invers, așa că un singur checkpoint poartă comportament de nivel de specialist în mai multe domenii deodată, în loc să fie un generalist mediocru la toate.

Modelul lansat expune moduri de gândire gradate, nu un comutator binar. Pe gateway-ul nostru acesta este parametrul standard reasoning_effort, cel mai util buton al acestui model:

• Low — răspuns aproape direct: clasificare, extragere, rescriere, orice unde plătești pentru cunoștințele modelului, nu pentru deliberarea lui.
• Medium — modul implicit de lucru pentru revizuire de cod, depanare și analiză în mai mulți pași.
• High — deliberare lungă înainte de răspuns. Aici se rezolvă problemele grele și tot aici stă nota ta de plată la tokenuri de ieșire, fiindcă tokenurile de raționament se facturează ca ieșire.

Pentru că nu există strat de refuz, urma de raționament nu este trunchiată pe subiecte sensibile — tiparul de suprimare a gândirii documentat pe serviciul propriu nu are aici niciun mecanism prin care să apară.

06Cod și muncă agentică: ce punctează fundația

Acestea sunt cifrele publicate chiar de DeepSeek-AI pentru lansarea V4-Pro — nu ale noastre și nu măsurate pe build-ul nostru cuantizat. Le arătăm pentru că sunt motivul onest pentru care ai alege această fundație și le marcăm ca provenind de la producător, ca să le poți pondera în consecință.

Două merită comentate. SWE-bench Verified la 80,6% înseamnă rezolvarea unor probleme din repozitorii reale — citirea unei baze de cod necunoscute, localizarea defectului, producerea unui patch care trece testele proiectului. MRCR la un milion de tokenuri (83,5) este regăsire coreferențială în mai multe runde, la lungime completă, cifra care îți spune că pretenția de context lung nu este decorativă. DeepSeek raportează pentru model și un rating Codeforces de 3206, precum și 62,0 la CorpusQA cu context de 1M.

Cifrele de mai sus sunt raportate de DeepSeek-AI pentru lansarea de referință DeepSeek-V4-Pro. Build-ul nostru 3BIT-REAP este o variantă comprimată a acelor greutăți și nu a fost testat independent la aceste sarcini; tratează scorurile de referință ca pe plafonul fundației, nu ca pe o măsurătoare a acestui endpoint.

07Context de 262K: ce încape de fapt

Modelul de referință este antrenat pentru un milion de tokenuri. Noi servim 262.144 — fereastra pe care o împart toate modelele de pe gateway, așa că schimbarea modelului este o modificare de o linie și niciodată o regresie de context. În practică, 262K depășește punctul în care contextul devine limitativ pentru majoritatea muncii reale:

Sarcină	Tokenuri aprox.	Încape în 262K?
Repo de serviciu mediu (~50.000 de linii)	~600K	Nu — selectează module
Un singur subsistem + testele lui	~60–120K	Da, confortabil
Setul complet de RFC-uri pentru un protocol	~150K	Da
O carte tehnică de 700 de pagini	~250K	Da, aproape de limită
Rulare lungă de agent, peste 40 de ture cu unelte	~80–200K	Da

Limita de luat în calcul este ieșirea: maximum 16.384 de tokenuri per răspuns. Asta înseamnă un document lung sau un patch consistent pe mai multe fișiere, dar nu o bază de cod. Lucrările mari de generare se fac înlănțuind cereri, cu ieșirea anterioară pusă înapoi în context — ceea ce fereastra de 262K face ieftin — nu cerând o singură completare uriașă.

08Prețul și locul lui V4-Pro în gamă

La 1,95 $ intrare / 3,90 $ ieșire per milion de tokenuri, V4-Pro este treapta de vârf pentru raționament — modelul la care apelezi când problema este grea. Când e doar mare, modele mai ieftine pe aceeași fereastră de 262K o vor rezolva la un sfert din preț.

Model fără cenzură	Intrare / 1M	Ieșire / 1M	Viziune	Cel mai potrivit pentru
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nu	Raționament greu, cod, agenți
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Nu	Aceeași descendență, volum mare
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nu	Cal de povară de uz general
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Agenți multimodali de top
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Cea mai ieftină viziune

Ca să fim direcți despre comparația pe care oamenii chiar o vor face: API-ul propriu al DeepSeek este mai ieftin decât acesta — V4-Pro de la producător este listat pe la 0,435 $ intrare / 0,87 $ ieșire, iar prețul lor pentru intrări din cache este și mai mic. Dacă prețul per token este singurul tău criteriu și comportamentul de moderare nu îți afectează munca, folosește API-ul lor; preferăm să ți-o spunem noi decât să afli mai târziu. Prima cumpără un alt set de proprietăți: niciun strat de refuz și niciun filtru la ieșire, un operator din SUA sub Shannon Lab LLC, un checkpoint datat fixat (0813), astfel încât o actualizare tăcută în amonte să nu îți schimbe niciodată rezultatele în mijlocul proiectului, trei dialecte de API pe același model și aceeași fereastră de 262K și aceeași suprafață de parametri pentru toate cele douăsprezece modele din gamă.

09Cum îl apelezi: trei dialecte, un singur model

Fiecare model de pe gateway răspunde pe toate cele trei endpointuri, cu streaming pe fiecare. Nu adopți un SDK nou — schimbi o adresă de bază și un identificator de model.

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 — dialectul OpenAI; funcționează cu SDK-urile OpenAI și cu orice este construit peste ele.
• /v1/messages — dialectul Anthropic, pentru bazele de cod deja scrise pe forma aceea.
• /v1/responses — interfața în stil Responses.

Suportate pe acest model: streaming, apeluri native de unelte, ieșire structurată strictă json_schema, response_format și reasoning_effort. Referința completă de parametri și un playground live sunt în documentația API.

10Limite oneste

Patru lucruri de știut înainte să construiești pe el:

• Fără viziune. Doar text; nu acceptă intrare de tip imagine pe niciun endpoint. Dacă ai nevoie de un model fără cenzură care vede, folosește Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 sau inkling.
• Plafon de ieșire de 16.384 de tokenuri. Tokenurile de raționament se scad din el la efort mare, deci o deliberare lungă lasă mai puțin loc pentru răspuns. Înlănțuie cereri pentru lucrările mari de generare.
• 3 biți înseamnă o compresie reală. Scorurile de referință descriu fundația, nu acest build. Pentru treapta cu cea mai mare fidelitate, modelele W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) poartă cea mai mică cuantizare.
• Fără cenzură nu înseamnă fără consecințe. Lipsa unui strat de refuz înseamnă că responsabilitatea pentru ce ceri și pentru ce faci cu răspunsul îți revine ție — sub termenii noștri de utilizare și sub legea din locul în care operezi.

11Întrebări frecvente

---

Surse: DeepSeek-AI — fișa de model DeepSeek-V4-Pro · Raportul tehnic DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Raportul tehnic DeepSeek-V3 · REAP the Experts (Cerebras Research) · Auditul de cenzură Promptfoo · Discovering Forbidden Topics in Language Models. Cifrele de benchmark sunt raportate de DeepSeek-AI pentru lansarea de referință; verificarea independentă, de terță parte, a build-ului comprimat este în așteptare. Prețurile sunt prețurile de listă Shannon AI valabile la 5 septembrie 2026.