DeepSeek Flash без цензуры API

Большинство команд, выбирающих LLM API, оптимизируют не ту переменную. Они гоняют бенчмарки на двадцати самых сложных промптах, какие смогли придумать, выбирают победителя и через шесть недель обнаруживают, что девяносто пять процентов их трафика — это короткая, структурированная, повторяющаяся работа, с которой модель вчетверо дешевле справилась бы точно так же. DeepSeek-V4-Flash существует ради этих девяноста пяти процентов. Эта страница о том, как понять, что вы в них — и когда нет.

01Что вы реально получаете

Свойство	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Идентификатор модели	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Контекст / максимум вывода	262 144 токена / 16 384 токена
Цена за 1M (вход / выход)	$0.50 / $2.00
Стриминг · вызов инструментов · рассуждение	Да — все три диалекта
Структурированный вывод	json_schema и response_format
Ввод изображений (зрение)	Нет — только текст
Слой отказов / фильтр вывода	Нет
Где обслуживается	Собственный GPU-кластер Shannon

Три диалекта API ведут к одним и тем же весам: /v1/chat/completions (в форме OpenAI), /v1/messages (в форме Anthropic) и /v1/responses. Стриминг работает во всех трёх. Полный справочник параметров — в документации API.

02Откуда это взялось: родословная DeepSeek

DeepSeek-AI пять поколений моделей одержима одной идеей: получить фронтирное поведение от модели, которую дёшево обслуживать, а не просто дёшево обучить. Почти каждое архитектурное решение линейки восходит к этому, и важные из них опубликованы. Три из них объясняют, что именно вы вызываете, обращаясь к этому эндпоинту.

DeepSeekMoE — мелкозернистые эксперты плюс один общий

Слой Mixture-of-Experts заменяет одну большую полносвязную сеть множеством маленьких и маршрутизатором, который выбирает горстку из них на каждый токен. Вариант DeepSeek нарезает экспертов мельче, чем привычная схема из восьми экспертов, поэтому те же активированные FLOPs покупают гораздо более комбинаторно специфичную смесь, и выделяет общего эксперта, через которого проходит каждый токен, так что общие знания не переучиваются избыточно внутри каждого специалиста. DeepSeek-V3 выпустил это как 256 маршрутизируемых экспертов плюс 1 общий, с активацией 8 маршрутизируемых на токен — 671B параметров всего, 37B активных — вместе с балансировкой нагрузки без вспомогательной функции потерь: вместо штрафного слагаемого, ухудшающего качество, смещение на каждого эксперта подталкивает оценки маршрутизации вверх или вниз на каждом шаге по мере того, как эксперт оказывается недо- или перегружен.

MLA — внимание, помещающееся в память

Вторая половина проблемы стоимости обслуживания — это KV-кэш, который растёт линейно с контекстом и доминирует в памяти на длинных последовательностях. Multi-head Latent Attention, представленное в DeepSeek-V2, совместно сжимает ключи и значения в низкоранговый латентный вектор и кэширует его, восстанавливая пригодные K/V на лету. Опубликованные DeepSeek цифры по V2 в сравнении с их же более ранней плотной DeepSeek 67B сообщают о сокращении KV-кэша на 93,3% и максимальной пропускной способности генерации выше в 5,76×. Именно поэтому окно в 262K токенов в этом семействе — базовая ставка, а не премиальная надстройка.

Разреженное внимание — и прецедент дешёвых токенов

V3.2-Exp добавила DeepSeek Sparse Attention: лёгкий индексатор оценивает токены контекста относительно запроса, а селектор оставляет только самые высокооценённые. Интересна тут не механика, а расписка. DeepSeek опубликовала сравнение бок о бок с V3.1-Terminus: MMLU-Pro идентично 85.0, AIME 2025 выше (88.4 → 89.3), SWE-bench Verified чуть ниже (68.4 → 67.8) — по сути ровное качество — и в тот же день снизила цены своего API более чем на 50%. Архитектура, честно отражённая в отчёте, прямо превращается в цену. Flash — тот же аргумент, доведённый на шаг дальше.

Поколение V4

V4, показанная в апреле 2026 года под лицензией MIT, снова заменяет стек внимания гибридом Compressed Sparse Attention и Heavily Compressed Attention, обучается оптимизатором Muon более чем на 32T токенов и сохраняет цель предсказания нескольких токенов из V3 — которая заодно работает как спекулятивное декодирование и которую DeepSeek измерила на уровне 85–90% принятия второго токена, что даёт примерно 1,8× ускорения декодирования в V3. Аннотация V4 сообщает, что V4-Pro работает на 27% от FLOPs однотокенного инференса V3.2 и 10% её KV-кэша. Семейство открывает три уровня усилия рассуждения — именно на них отображается наш параметр reasoning_effort.

Источники: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · карточка модели DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Все цифры приведены по данным DeepSeek.

03Что на самом деле означает «Flash»

Именно здесь большинство сравнений ошибается, так что стоит сказать прямо: Flash у DeepSeek — не квантизованный, обрезанный или дистиллированный Pro. Это отдельно обученная, меньшая модель Mixture-of-Experts со своим собственным предобучением. Превью-статья по V4 приводит оба размера:

Цифры из превью-статьи DeepSeek-V4. Официальные чекпойнты, которые мы обслуживаем — V4-Flash-0731 и V4-Pro-0813 — указывают в своих карточках чуть большие суммы: 304B и 1.7T; активированные параметры для этих сборок DeepSeek заново не приводит.

Работу здесь делают два числа. Общее количество параметров задаёт объём памяти, который решает, сколько железа занимает одна копия модели. Активированные параметры задают арифметику на токен, которая решает пропускную способность. Flash примерно в 5,6× меньше по первому и в 3,8× меньше по второму — и в этом разрыве есть тонкость, которую стоит заметить: Flash активирует 13 из 284 миллиардов параметров, около 4,6%, тогда как Pro активирует 49 из 1600 миллиардов, около 3,1%. Flash — менее разреженная модель. Это не просто Pro с меньшим числом включённых экспертов; это более плотная, иначе сбалансированная конструкция, которая тратит на каждый производимый токен большую долю себя. Это настоящее инженерное решение, а не понижение уровня.

Что говорят собственные цифры DeepSeek

Обе официальные карточки моделей публикуют результаты на одних и тех же агентных и программно-инженерных бенчмарках, что делает сравнение необычно чистым — одна лаборатория, один набор оценок, два размера:

Бенчмарк (по данным 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 выигрывает в каждой строке. Это честный заголовок, и нам приятнее, чтобы вы прочли его здесь, а не обнаружили в продакшене. Но читайте отрывы, потому что именно их вы и покупаете. На Terminal Bench 2.1 разрыв составляет 5,2 пункта у модели, в двадцать пять раз меньшей по параметрам; на работе с инструментами — 3,8 пункта. Разрыв растёт там, где работа становится глубже: 8,3 пункта на DeepSWE, 7,3 на NL2Repo — и то, и другое вознаграждает длительное многошаговое рассуждение по коду. Форма сделки видна в одной таблице: Flash покрывает большую часть дистанции на ограниченных задачах и уступает на открытых.

Собственная карточка Flash от DeepSeek говорит ещё жёстче: Flash-0731 превосходит превью V4-Pro на перечисленных бенчмарках, несмотря на гораздо меньшее число активированных параметров. То, что более новая маленькая модель обходит более старую большую, — нормальное положение дел в этой области, и именно поэтому «уровень побольше» никогда не должен быть вашим ответом по умолчанию.

04Читаем суффикс: W4A16-AUTOROUND-REAP

Идентификаторы наших моделей вслух заявляют свою схему сжатия, потому что именно она сильнее всего влияет на качество вывода и почти никто её не раскрывает. Этот суффикс раскладывается на три утверждения.

W4A16 — 4-битные веса, 16-битные активации

Веса хранятся по 4 бита каждый; активации проходят с 16-битной точностью. Это квантизация только весов, и она бьёт по реальному узкому месту генерации токенов, которым является пропускная способность памяти, а не арифметика. Квантизация ещё и активаций дала бы немного больше скорости и рискнула бы куда большим обрывом точности; оставить их 16-битными — консервативный выбор в пользу высокой точности. Сама запись — сокращение из экосистемы обслуживания: в литературе по квантизации то же самое пишут как W4 с размером группы.

AUTOROUND — обучаемое округление, а не округление к ближайшему

Наивная квантизация округляет каждый вес к ближайшему представимому значению. Это доказуемо не оптимально: округление одного веса в «неправильную» сторону может погасить ошибку, внесённую его соседями, а при миллиардах весов такие взаимодействия доминируют. AutoRound от Intel рассматривает само решение об округлении как то, чему можно обучиться — обучаемое возмущение на каждый вес, ограниченное ±0,5, ровно достаточное, чтобы перевернуть любое одно решение об округлении, и не более, плюс обучаемые диапазоны отсечения, оптимизируемые знаковым градиентным спуском по поблочной цели восстановления выхода на небольшом калибровочном наборе. Двести шагов — и готово.

В опубликованных сравнениях Intel AutoRound обходит GPTQ в 30 из 32 протестированных сценариев, AWQ — в 27 из 32 и OmniQuant — в 29 из 32 при 4-битных настройках только для весов, с выигрышем над наивным округлением к ближайшему от 6,9 до 33,2 пунктов точности при 2 битах. И ничего из этого не стоит ничего во время инференса: это просто лучший выбор чисел, сделанный один раз, офлайн.

REAP — выбрасываем экспертов, к которым никто не маршрутизирует

REAP (Router-weighted Expert Activation Pruning) от Cerebras Systems и Университета Калгари — одношаговое сжатие для MoE-моделей. Он оценивает каждого эксперта по тому, насколько сильно и насколько часто маршрутизатор к нему обращается, умноженному на величину выхода этого эксперта, а затем прямо удаляет наименее значимых экспертов — без последующего дообучения.

Ключевой вывод статьи и есть самый полезный: при высоких коэффициентах сжатия отсечение экспертов выигрывает у их слияния. Слияние функционально различных экспертов вызывает то, что авторы называют коллапсом функционального подпространства: маршрутизатор теряет мелкозернистый, зависящий от входа контроль, ради которого MoE и строили, и остаётся рулить между статическими усреднениями. Их цифры по моделям от 20B до 1T параметров: при 25% сжатии экспертов на задачах кодирования REAP теряет 2,8% средней точности там, где базовые методы слияния теряют более 5%; при 50% REAP теряет 8,0%, а слияние — более 20%. На Qwen3-Coder-480B при 50% отсечении падение составляет 1,4% против 39,3% у наивного отсечения по частоте. Cerebras опубликовала чекпойнты REAP в том числе и для линейки DeepSeek.

Почему здесь 4 бита, а на Pro — 3

Оба уровня должны поместиться и остаться быстрыми на одном классе железа. Pro несёт 1,7 триллиона параметров, поэтому ему нужна более агрессивная 3-битная обработка, чтобы вообще поместиться. Flash несёт примерно 300 миллиардов, поэтому ему это не нужно — и сэкономленный бит тратится на точность, а не на то, чтобы влезть.

Этот лишний бит значит больше, чем подсказывает арифметика, потому что ущерб от квантизации нелинеен. В измерениях WikiText-2 из статьи AWQ Llama-2-7B идёт от перплексии 5.47 при FP16 до 5.60 при 4 битах — штраф 2,4% — но до 6.24 при 3 битах, штраф 14%. Это примерно шестикратная деградация ради 25% дополнительного сжатия, и та же картина держится на 70B. Статья GPTQ ещё резче: при 3 битах наивное округление к ближайшему рушится на моделях класса 175B, уходя в тысячи перплексии, оставаясь при этом вполне пригодным при 4 битах. Ниже четырёх бит хороший алгоритм квантизации перестаёт быть приятным дополнением и становится единственным, что держит модель вместе.

Итак, честное прочтение этих двух суффиксов таково: Flash ближе к своей собственной несжатой версии, чем Pro к своей. Pro по-прежнему более сильная модель — таблица бенчмарков выше это решает. Просто он отдал больше, чтобы сюда добраться, и за эту привилегию вы платите.

Источники: 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. Цифры перплексии из AWQ (arXiv 2306.00978) и GPTQ (arXiv 2210.17323).

05Flash против Pro на эндпоинте

Раздел 03 разобрал основы. Вот как оба уровня выглядят как продукты на нашем шлюзе:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Квантизация	W4A16-AUTOROUND-REAP	3BIT-REAP
Точность весов	4 бита, обучаемое округление	3 бита
Основа (всего / активных)	~304B / 13B	~1.7T / 49B
Вход за 1M токенов	$0.50	$1.95
Выход за 1M токенов	$2.00	$3.90
Контекст / максимум вывода	262 144 / 16 384	262 144 / 16 384
Инструменты · структурированный вывод · стриминг	Да	Да
Зрение	Нет	Нет
Слой отказов	Нет	Нет

Заметьте, что не меняется: контекст, потолок вывода, вызов инструментов, структурированный вывод и отсутствие слоя отказов идентичны. Двигаются только основа, квантизация и цена. Это делает переключение между ними изменением одной строки в коде и чисто экономическим решением в архитектуре.

Сколько стоит один вызов максимального размера

Заполните весь контекст в 262 144 токена и возьмите полный вывод в 16 384 токена:

По прайс-листу. Flash: $0.131 вход + $0.033 выход. Pro: $0.511 + $0.064. Отношение 3,51×. Flash также делит нижнюю планку $0.50 / $2.00 с MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro и Hy3 — смотрите полный каталог, чтобы понять, чем они отличаются по зрению и структурированному выводу.

06Арифметика объёма, посчитанная

«В 3,9× дешевле» верно только на входе. На выходе Flash дешевле в 1,95×. Поэтому ваша реальная экономия зависит от соотношения входа и выхода, и разброс достаточно широк, чтобы менять проектные решения. Четыре реалистичные нагрузки, каждая по 100 000 запросов:

Нагрузка	Вход / выход на вызов	Flash	Pro	Экономия
Классификация тикетов	1,200 / 120	$84	$281	3.3×
Ответы на вопросы по RAG	8,000 / 600	$520	$1,794	3.4×
Резюме длинного документа	60,000 / 1,500	$3,300	$12,285	3.7×
Генерация синтетических данных	500 / 2,000	$425	$878	2.1×

Закономерность: чем больше контекста вы проталкиваете и чем меньше текста генерируете, тем больше Flash вам экономит. Поисковые пайплайны, сортировка документов, анализ логов и транскриптов, извлечение из длинного контекста — вот золотая середина: они доминируются входом на порядок, а именно на входе живёт скидка в 3,9×. Если же ваша нагрузка — короткий промпт, порождающий тысячи токенов прозы, разрыв сужается примерно до 2×, и аргумент в пользу возможностей Pro становится соответственно сильнее.

Ещё одна арифметика, которую стоит усвоить: при $0.50 за миллион входных токенов заполнение всего окна в 262 144 токена стоит 13,1 цента. При такой цене промптинг с длинным контекстом перестаёт быть бюджетным вопросом, а это иногда значит, что вы можете вообще не строить слой поиска и позволить контекстному окну сделать работу — инженерная экономия поверх токенной.

07Что здесь точно означает «без цензуры»

Слово используют вольно, поэтому вот наше определение, сформулированное как свойство эндпоинта: перед моделью нет классификатора отказов, и к её выводу не применяется контентная фильтрация. Ничто не перехватывает промпт и не возвращает заготовленный отказ; ничто не инспектирует завершение и не редактирует его. Для высоконагруженной продакшен-работы последствия менее драматичны и более полезны, чем подсказывает само слово:

• Никаких ложных срабатываний на безобидном трафике. Фильтрованные эндпоинты регулярно отклоняют медицинские сводки, отчёты по безопасности, юридическую подготовку к процессу, художественный текст, материалы по снижению вреда и саму работу по модерации — ровно те категории, где пакетное задание обрабатывает текст о чувствительной теме, а не производит что-либо вредное. На ста тысячах запросов однопроцентная доля ложных отказов — это тысяча сломанных строк.
• Детерминированные контракты. Запросите ответ по json_schema — и получите JSON, соответствующий схеме, а не абзац извинений там, где должен быть объект. Вашему парсеру не нужна ветка на отказ, а логике повторов не нужно отличать транспортный сбой от политического.
• Политика — ваша. В этом и сделка. Если вашему продукту нужны ограждения для конечных пользователей, вы строите их на своём уровне, где знаете своих пользователей и свою юрисдикцию, вместо того чтобы наследовать догадки провайдера об обоих. Ваш аккаунт по-прежнему регулируется нашей Политикой ответственного использования.

Без цензуры — не то же самое, что невыровненный или бесполезный. Модель по-прежнему следует инструкциям и по-прежнему уважает системный промпт. Если вы хотите, чтобы она отказывала в определённых категориях вашим пользователям, скажите ей об этом там — эту инструкцию теперь пишете вы, а не навязываем мы.

08Возможности и честные ограничения

Две возможности несут основную нагрузку в объёмной работе. Строгий вывод json_schema превращает завершение в строку базы данных без слоя парсинга и без ветки на отказ. Вызов инструментов во всех трёх диалектах делает Flash разумным движком для дешёвых подшагов агента, чей верхнеуровневый планировщик работает на более сильной модели. Добавьте reasoning_effort, который позволяет тратить дополнительные токены только на ту долю трафика, которой они нужны, и контекст в 262 144 токена, идентичный контексту Pro — вы не жертвуете контекстом, выбирая дешёвый уровень, что необычно.

Ограничения столь же конкретны:

• Нет зрения. Flash работает только с текстом и отклонит части сообщения с изображениями. Для изображений на модели без цензуры по той же нижней планке $0.50 / $2.00 подходят MiniMax-M3 и MiMo-V2.5; Kimi-K2.6 и Kimi-K3 — более сильные модели со зрением выше этого уровня.
• Не вершина лестницы. Собственные цифры DeepSeek ставят Pro впереди на каждом опубликованном агентном бенчмарке, причём разрыв шире всего на длительном многошаговом рассуждении по коду. Там, где один неверный ответ стоит дороже тысячи дешёвых, потратьте лишние $1.45 за миллион на DeepSeek-V4-Pro.
• 16 384 выходных токена на запрос. Длинные генерации приходится дробить на вызовы. Это одинаковый потолок для всех обслуживаемых нами моделей, и он связывает задолго до контекстного окна.

09Как вызвать

Направьте любой OpenAI-совместимый клиент на шлюз и поменяйте строку модели. Больше в вашем стеке ничего двигать не нужно.

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
        }
      }
    }
  }'

Тот же идентификатор модели без изменений работает на /v1/messages и /v1/responses — это самый быстрый способ провести A/B с более дешёвой моделью под существующей интеграцией, не переписывая клиент. Параметры, формы событий стриминга, схемы вызова инструментов и лимиты запросов описаны в справочнике API; все модели каталога перечислены в Shannon Research.

10Часто задаваемые вопросы

---

Источники: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · карточки моделей DeepSeek-V4-Flash-0731 и DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Все цифры по основам и бенчмаркам приведены так, как опубликованы их авторами; цены Shannon AI и обслуживаемый контекст — наши собственные прайс-значения по состоянию на сентябрь 2026 года.