DeepSeek API без цензуры

Люди, приходящие по запросу «DeepSeek API без цензуры», хотят одного вполне конкретного: модель с способностями DeepSeek к рассуждению и коду, которая отвечает на заданный вопрос. Половина про способности хорошо задокументирована — DeepSeek-AI опубликовала архитектуру и цифры, а веса лежат на Hugging Face под MIT. Вторая половина — операционное решение, и обычно его принимают за вас. Эта страница о том и о другом: что такое основа V4-Pro, что с ней делает наша сборка 3BIT-REAP и что именно мы имеем в виду под словом «без цензуры».

01Что на самом деле значит «DeepSeek API без цензуры»

Под одним словом проходят два разных механизма. Первый — выравнивание, вшитое в веса: поведение отказа, выученное на пост-обучении. Второй — слой модерации на стороне обслуживания: отдельный классификатор, который осматривает ваш промпт до того, как его увидит модель, и вывод до того, как его увидите вы, и может оборвать ответ на середине фразы независимо от того, что модель собиралась сказать.

Оба измеримы, и собственный сервис DeepSeek измеряли. Promptfoo собрала набор из 1360 политически чувствительных вопросов и сообщила, что размещённая у DeepSeek модель R1 отказала или ушла от ответа в 1156 случаях — примерно 85%. Академические работы по тому же семейству нашли отдельный характерный сбой, который авторы назвали подавлением мысли: цепочка рассуждений модели обрывается почти сразу, как только начинается чувствительная тема. Отдельный аудит, опубликованный в Information Sciences, зафиксировал подавление на семантическом уровне: содержимое, присутствующее во внутренних рассуждениях модели, тихо опускается или переписывается до того, как дойдёт до пользователя. Это проблема хуже прямого отказа, потому что урезанный ответ выглядит как ответ.

Мы запускаем релиз с открытыми весами, на оборудовании, которым управляем сами, в США, под Shannon Lab LLC. Перед моделью нет слоя отказов, и к тому, что приходит обратно, не применяется фильтр: ваш промпт не классифицируется на предмет политик перед обслуживанием, а поток вывода не инспектируется по дороге наружу. Поскольку основа лицензирована по MIT и публична, вы можете сами сравнить наши выводы с эталонными весами, а не верить нам на слово.

02Основа: DeepSeek-V4-Pro, MoE на 1,6 трлн

DeepSeek-V4 — текущее семейство DeepSeek-AI с открытыми весами, показанное в апреле 2026 года и выпущенное под MIT в двух размерах: V4-Flash (284 млрд всего, 13 млрд активируемых) и V4-Pro (1,6 трлн всего, 49 млрд активируемых). Эта статья о ступени Pro. Обе предобучены примерно на 33 триллионах токенов и обе изначально поддерживают контекст в миллион токенов.

Обратить внимание стоит на разреженность: на любом отдельном токене срабатывает лишь около 3% параметров, и именно это делает модель такого размера вообще обслуживаемой. Сам блок MoE по-прежнему DeepSeekMoE — мелкогранулярные маршрутизируемые эксперты плюс всегда включённые общие эксперты, введённые в V2, — с небольшими изменениями в V4, из которых заметнее всего хеш-маршрутизация в самых ранних слоях. Multi-Token Prediction, вспомогательная задача из V3, которая заодно включает спекулятивное декодирование, сохранена без изменений.

Новое в V4 — структурное. Manifold-Constrained Hyper-Connections (mHC) заменяют простой остаточный путь обучаемой матрицей смешивания, ограниченной на многообразие дважды стохастических матриц через проекцию Синкхорна — Кноппа: остаточный поток, который перевзвешивается под вход без числового дрейфа, убивающего очень глубокие стеки. Обучение ушло с AdamW на Muon для большинства модулей, с ортогонализацией Ньютона — Шульца; AdamW оставлен только для эмбеддингов, предсказательных голов, нормализации и статических параметров mHC. А веса экспертов обучаются в FP4, тогда как большая часть остальных параметров — в FP8: квантование учтено с самого начала, и это важно для того, насколько мягко модель переносит дальнейшее сжатие.

03От MLA к CSA + HCA: как DeepSeek удерживает длинный контекст дешёвым

Сквозная линия DeepSeek через четыре поколения — не размер, а экономика внимания. Каждая версия била по KV-кэшу, который растёт линейно с контекстом и на больших длинах доминирует в памяти.

• V2 ввела Multi-head Latent Attention (MLA) — низкоранговое совместное сжатие ключей и значений в латентный вектор, так что при генерации кэшируется этот вектор плюс отвязанный RoPE-ключ вместо полных K и V по каждой голове. DeepSeek сообщала о сокращении KV-кэша примерно до 4–14% от стандартного многоголового внимания при сохранении или улучшении качества.
• V3 масштабировала это до 671 млрд, сделав MLA умолчанием для дешёвого длинного контекста в открытых моделях.
• V3.2 добавила DeepSeek Sparse Attention (DSA): выбор top-k подмножества истории для каждого запроса через лёгкий индексатор вместо внимания ко всему подряд.
• V4 гибридизирует. Compressed Sparse Attention (CSA) сначала сжимает KV-записи каждых m токенов в одну запись с обучаемыми весами, а затем прогоняет разреженный отбор top-k по этим сжатым записям. Heavily Compressed Attention (HCA) сжимает куда агрессивнее, но остаётся плотным по результату. Оба типа слоёв чередуются по стеку, поэтому дешёвая глобальная сводка и точное локальное извлечение сосуществуют.

Заявленный выигрыш на контексте в миллион токенов резкий: V4-Pro нужно около 27% FLOPs инференса на токен и 10% KV-кэша от V3.2. Поэтому запрос на 262K ведёт себя как обычный запрос, а не как событие в памяти, и поэтому цифры извлечения на длинном контексте держатся, а не рассыпаются после нескольких десятков тысяч токенов.

04Что значит суффикс 3BIT-REAP

Наш каталожный идентификатор оканчивается на 3BIT-REAP, и это описывает два независимых шага сжатия, применённых по порядку.

REAP: экспертов отсекают, а не сливают

REAP — это Router-weighted Expert Activation Pruning от Cerebras Research, работа «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression», принятая на ICLR 2026. В разреженной MoE маршрутизатор использует своих экспертов неравномерно: длинный хвост выбирается редко, слабо или и то и другое. REAP оценивает каждого эксперта, сочетая значения гейта маршрутизатора (как часто и насколько сильно его выбирают) с нормами активаций эксперта (сколько его выход вносит в результат), а затем удаляет проигравших начисто.

Аргумент статьи в том, что отсечение бьёт слияние: слияние усредняет и стирает функциональную специализацию, ради которой MoE и строилась, а удаление экспертов, до которых маршрутизатор едва дотягивается, её сохраняет. На моделях от 20 млрд до 1 трлн REAP превзошёл слияние и конкурирующие методы отсечения на генеративных бенчмарках, а авторы сообщают о практически безпотерьных результатах на генерации кода и вызове инструментов при отсечении 50% экспертов у Qwen3-Coder-480B и Kimi-K2 — а это ровно тот профиль нагрузки, ради которого эта модель здесь.

3-битные веса: ступень сжатия для самых больших основ

То, что уцелело, затем квантуется до 3-битных весов. Три бита — агрессивно, и мы не делаем вид, что это не так: по линейке мы используем W8A16 там, где основа достаточно мала, чтобы обойтись без сжатия, W4A16-AUTOROUND-REAP посередине и 3BIT-REAP только на самых крупных основах, где это разница между тем, обслуживать модель или не обслуживать.

Компромисс стоит проговорить прямо: 3-битная MoE на 1,6 трлн не побитово идентична эталонному релизу, и небольшая потеря качества реальна. Взамен вы получаете основу, чей несжатый потолок лежит далеко выше всего, что комфортно помещается в более высокой точности, — а поскольку эксперты V4 изначально обучались в FP4, модель необычно хорошо ведёт себя при дальнейшем сжатии весов. Если вам нужна сборка DeepSeek с более бережным отношением к точности, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP использует 4-битные веса с 16-битными активациями и обучаемым округлением AutoRound, на том же контексте 262K за $0.50 на входе / $2.00 на выходе.

05Рассуждение и регулятор reasoning_effort

Пост-обучение V4 тренирует доменных специалистов по отдельности — математика, код, агенты, следование инструкциям — сначала SFT, затем GRPO, метод Group Relative Policy Optimization, представленный DeepSeek вместе с R1. Затем этих специалистов объединяют в одну модель через on-policy дистилляцию по обратной KL-цели, так что один чекпойнт несёт поведение уровня специалиста сразу в нескольких доменах, а не является универсалом, посредственным во всём.

Выпущенная модель открывает градуированные режимы размышления, а не двоичный переключатель. На нашем шлюзе это стандартный параметр reasoning_effort — самый полезный регулятор у этой модели:

• Low — почти прямой ответ: классификация, извлечение, переписывание, всё, где вы платите за знания модели, а не за её размышления.
• Medium — рабочий режим по умолчанию для ревью кода, отладки и многошагового анализа.
• High — долгие размышления перед ответом. Здесь решаются трудные задачи и здесь живёт ваш счёт за выходные токены, поскольку токены рассуждений тарифицируются как выходные.

Поскольку слоя отказов нет, цепочка рассуждений не обрывается на чувствительной теме: у паттерна подавления мысли, задокументированного на собственном сервисе, здесь просто нет механизма, чтобы возникнуть.

06Код и агентная работа: что набирает основа

Это собственные опубликованные цифры DeepSeek-AI для релиза V4-Pro — не наши и не измеренные на нашей квантованной сборке. Мы их показываем, потому что это честная причина выбрать эту основу, и помечаем как первоисточник, чтобы вы могли взвесить их соответственно.

Две цифры заслуживают комментария. SWE-bench Verified на 80,6% — это решение задач в реальных репозиториях: прочитать незнакомую кодовую базу, найти дефект, выдать патч, проходящий собственные тесты проекта. MRCR на миллионе токенов (83,5) — многораундовое разрешение кореференций на полной длине, та самая цифра, которая говорит, что заявка на длинный контекст не декоративная. DeepSeek также сообщает о рейтинге 3206 на Codeforces для этой модели и 62,0 на CorpusQA при контексте 1M.

Цифры выше приведены DeepSeek-AI для эталонного релиза DeepSeek-V4-Pro. Наша сборка 3BIT-REAP — сжатый вариант этих весов, и она не проходила независимого бенчмаркинга на этих задачах; считайте эталонные баллы потолком основы, а не измерением этого эндпоинта.

07Контекст 262K: что реально помещается

Эталонная модель обучена под миллион токенов. Мы обслуживаем 262 144 — окно, общее для всех моделей шлюза, поэтому смена модели это правка в одну строку и никогда не регресс по контексту. На практике 262K — за той чертой, где контекст связывает руки в большинстве реальных задач:

Нагрузка	Примерно токенов	Влезает в 262K?
Средний сервисный репозиторий (~50 тыс. строк)	~600K	Нет — выбирайте модули
Одна подсистема с её тестами	~60–120K	Да, с запасом
Полный набор RFC по протоколу	~150K	Да
Техническая книга на 700 страниц	~250K	Да, у самого предела
Долгий прогон агента, 40+ ходов с инструментами	~80–200K	Да

Планировать нужно вокруг вывода: максимум 16 384 токена на ответ. Это длинный документ или солидный патч по нескольким файлам, но не кодовая база. Крупные задачи генерации делаются цепочкой запросов с возвратом предыдущего вывода в контекст — что окно 262K делает дешёвым, — а не просьбой об одном огромном ответе.

08Цена и место V4-Pro в линейке

При $1.95 на входе / $3.90 на выходе за миллион токенов V4-Pro — флагманская ступень рассуждений, модель, к которой обращаются, когда задача трудная. Когда она просто большая, более дешёвые модели на том же окне 262K сделают её за четверть цены.

Модель без цензуры	Вход / 1M	Выход / 1M	Зрение	Лучше всего для
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Нет	Трудные рассуждения, код, агенты
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Нет	Та же линия, большие объёмы
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Нет	Универсальная рабочая лошадка
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Да	Мультимодальные агенты верхнего уровня
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Да	Самое дешёвое зрение

Скажем прямо о сравнении, которое люди действительно сделают: собственный API DeepSeek дешевле этого — у первоисточника V4-Pro стоит около $0.435 на входе / $0.87 на выходе, а цена входа при попадании в кэш ещё ниже. Если цена за токен ваш единственный критерий и поведение модерации на вашу работу не влияет, пользуйтесь их API; мы лучше скажем это сразу, чем вы узнаете позже. Наценка покупает другой набор свойств: отсутствие слоя отказов и фильтра вывода, американский оператор в лице Shannon Lab LLC, зафиксированный датированный чекпойнт (0813), чтобы тихое обновление на стороне разработчика не изменило ваши выводы посреди проекта, три диалекта API к одной модели и одинаковое окно 262K с одинаковым набором параметров у всех двенадцати моделей линейки.

09Как вызывать: три диалекта, одна модель

Каждая модель шлюза отвечает на всех трёх эндпоинтах, со стримингом на каждом. Новый SDK осваивать не нужно — вы меняете базовый URL и идентификатор модели.

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 — диалект OpenAI; работает с SDK OpenAI и всем, что на них построено.
• /v1/messages — диалект Anthropic, для кодовых баз, уже написанных под эту форму.
• /v1/responses — интерфейс в стиле Responses.

Поддерживается на этой модели: стриминг, встроенный вызов инструментов, строгий структурированный вывод json_schema, response_format и reasoning_effort. Полный справочник параметров и живая песочница — в документации API.

10Честные ограничения

Четыре вещи, которые стоит знать, прежде чем строить на этом:

• Зрения нет. Только текст; изображения на входе не принимаются ни на одном эндпоинте. Если вам нужна видящая модель без цензуры, берите Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 или inkling.
• Потолок вывода 16 384 токена. При высоком усилии токены рассуждений расходуют его же, поэтому долгое размышление оставляет меньше места для ответа. Для крупных задач генерации выстраивайте цепочку запросов.
• 3 бита — это настоящее сжатие. Эталонные баллы описывают основу, а не эту сборку. Для ступени с максимальной точностью возьмите модели W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) — у них квантование самое мягкое.
• Без цензуры не значит без последствий. Отсутствие слоя отказов означает, что ответственность за то, что вы спрашиваете и что делаете с ответом, лежит на вас — в рамках наших условий обслуживания и законодательства там, где вы работаете.

11Часто задаваемые вопросы

---

Источники: DeepSeek-AI — карточка модели DeepSeek-V4-Pro · технический отчёт DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · технический отчёт DeepSeek-V3 · REAP the Experts (Cerebras Research) · аудит цензуры Promptfoo · Discovering Forbidden Topics in Language Models. Цифры бенчмарков приведены DeepSeek-AI для эталонного релиза; независимая сторонняя проверка сжатой сборки ожидается. Цены — прейскурант Shannon AI по состоянию на 5 сентября 2026 года.