Necenzurované DeepSeek Flash API

Väčšina tímov, ktoré vyhodnocujú LLM API, optimalizuje nesprávnu premennú. Odmerajú si dvadsať najťažších promptov, aké dokážu vymyslieť, vyberú víťaza a o šesť týždňov zistia, že deväťdesiatpäť percent ich prevádzky je krátka, štruktúrovaná, opakujúca sa práca, ktorú by model za štvrtinu ceny zvládol rovnako. DeepSeek-V4-Flash existuje pre týchto deväťdesiatpäť percent. Táto stránka je o tom, ako spoznať, kedy v nich ste — a kedy nie.

01Čo vlastne dostanete

Vlastnosť	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Id modelu	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontext / max. výstup	262 144 tokenov / 16 384 tokenov
Cena za 1M (vstup / výstup)	$0.50 / $2.00
Streamovanie · volanie nástrojov · uvažovanie	Áno — všetky tri dialekty
Štruktúrovaný výstup	json_schema a response_format
Obrazový vstup (videnie)	Nie — len text
Vrstva odmietania / filter výstupu	Žiadna
Servírované na	vlastnom GPU klastri Shannonu

K tým istým váham vedú tri dialekty API: /v1/chat/completions (tvar OpenAI), /v1/messages (tvar Anthropic) a /v1/responses. Streamovanie funguje na všetkých troch. Úplná referencia parametrov je v dokumentácii API.

02Odkiaľ pochádza: rodokmeň DeepSeeku

DeepSeek-AI strávil päť generácií modelov jednou posadnutosťou: dostať špičkové správanie z modelu, ktorý je lacný servírovať, nielen lacný trénovať. Takmer každé architektonické rozhodnutie v tejto línii sa k tomu vracia a tie dôležité sú zverejnené. Tri vysvetľujú, čo voláte, keď siahnete na tento koncový bod.

DeepSeekMoE — jemne zrnití experti plus jeden zdieľaný

Vrstva Mixture-of-Experts nahrádza jednu veľkú doprednú sieť mnohými menšími a smerovačom, ktorý na token vyberá hŕstku z nich. Variant DeepSeeku krája expertov jemnejšie než klasické usporiadanie s ôsmimi expertmi, takže tie isté aktivované FLOPy kúpia kombinatoricky oveľa špecifickejšiu zmes, a izoluje zdieľaného experta, ktorým prechádza každý token, takže sa spoločné znalosti neučia nadbytočne znova v každom špecialistovi. DeepSeek-V3 to dodal ako 256 smerovaných expertov plus 1 zdieľaného, s aktiváciou 8 smerovaných na token — 671 miliárd parametrov celkovo, 37 miliárd aktívnych — spolu s vyvažovaním záťaže bez pomocnej stratovej funkcie: namiesto penalizačného člena, ktorý zhoršuje kvalitu, posúva bias na experta smerovacie skóre v každom kroku hore alebo dole podľa toho, či je daný expert nedostatočne alebo nadmerne zaťažený.

MLA — pozornosť, ktorá sa zmestí do pamäte

Druhou polovicou problému s cenou servírovania je KV cache, ktorá rastie lineárne s kontextom a pri dlhých sekvenciách dominuje pamäti. Multi-head Latent Attention, zavedená v DeepSeek-V2, komprimuje kľúče a hodnoty spoločne do nízkohodnostného latentného vektora a kešuje ten, pričom použiteľné K/V rekonštruuje za behu. Zverejnené čísla DeepSeeku pre V2 oproti ich staršiemu hustému DeepSeeku 67B uvádzajú 93,3 % zmenšenie KV cache a 5,76-krát vyššiu maximálnu priepustnosť generovania. Práve preto je okno 262K tokenov v tejto rodine samozrejmosťou, nie prémiovým príplatkom.

Riedka pozornosť — a precedens lacných tokenov

V3.2-Exp pridala DeepSeek Sparse Attention: ľahký indexer hodnotí tokeny kontextu voči dotazu a selektor ponechá len tie s najvyšším skóre. Zaujímavou časťou je účtenka, nie mechanizmus. DeepSeek zverejnil porovnanie s V3.1-Terminus, kde MMLU-Pro zostalo rovnaké na 85,0, AIME 2025 stúplo (88,4 → 89,3), SWE-bench Verified nepatrne kleslo (68,4 → 67,8) — v podstate rovnaká kvalita — a v ten istý deň znížili ceny svojho API o viac než 50 %. Architektúra, poctivo vykázaná, priamo premenená na cenu. Flash je ten istý argument dotiahnutý o krok ďalej.

Generácia V4

V4, predstavená v apríli 2026 pod licenciou MIT, znovu vymieňa stoh pozornosti za hybrid Compressed Sparse Attention a Heavily Compressed Attention, trénuje sa optimalizátorom Muon na viac než 32 biliónoch tokenov a ponecháva cieľ predikcie viacerých tokenov z V3 — ktorý zároveň slúži ako špekulatívne dekódovanie a ktorý DeepSeek nameral pri 85 – 90 % miere prijatia druhého tokenu, teda pri zhruba 1,8-násobnom zrýchlení dekódovania vo V3. Abstrakt V4 uvádza, že V4-Pro beží na 27 % inferenčných FLOPov na token oproti V3.2 a na 10 % jej KV cache. Rodina sprístupňuje tri úrovne miery uvažovania, na ktoré mapuje náš parameter reasoning_effort.

Zdroje: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Technická správa DeepSeek-V3 (arXiv 2412.19437) · karta modelu DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Všetky údaje uvádza DeepSeek.

03Čo „Flash“ vlastne znamená

Toto je bod, ktorý väčšina porovnaní chápe zle, takže ho povedzme na rovinu: Flash od DeepSeeku nie je kvantizovaný, prerezaný ani destilovaný Pro. Je to samostatne trénovaný, menší model typu Mixture-of-Experts s vlastným predtréningom. Práca k preview V4 uvádza obe veľkosti:

Údaje z práce k preview DeepSeek-V4. Oficiálne kontrolné body, ktoré servírujeme — V4-Flash-0731 a V4-Pro-0813 — uvádzajú na svojich kartách modelu o niečo väčšie celkové počty 304 miliárd a 1,7 bilióna; DeepSeek pre tieto buildy aktivované parametre neuvádza znova.

Prácu tu zastanú dve čísla. Celkový počet parametrov určuje pamäťovú stopu, ktorá rozhoduje, koľko hardvéru jedna kópia modelu zaberie. Aktivované parametre určujú aritmetiku na token, ktorá rozhoduje o priepustnosti. Flash je v prvom zhruba 5,6-krát menší a v druhom 3,8-krát menší — a v tejto medzere je jemnosť, ktorú stojí za to postrehnúť: Flash aktivuje 13 z 284 miliárd parametrov, teda asi 4,6 %, kým Pro aktivuje 49 z 1 600 miliárd, teda asi 3,1 %. Flash je menej riedky model. Nie je to jednoducho Pro s menším počtom zapnutých expertov; je to hustejší, inak vyvážený návrh, ktorý na každý vyprodukovaný token minie väčšiu časť seba. To je skutočné inžinierske rozhodnutie, nie degradácia.

Čo hovoria vlastné čísla DeepSeeku

Obe oficiálne karty modelu zverejňujú skóre na tých istých agentských a softvérovo-inžinierskych benchmarkoch, čo z toho robí nezvyčajne čisté porovnanie — to isté laboratórium, ten istý vyhodnocovací rámec, dve veľkosti:

Benchmark (uvádza 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 vyhráva každý riadok. To je poctivý titulok a radšej si ho prečítajte tu, než by ste ho objavili v produkcii. Ale čítajte tie rozdiely, lebo tie si v skutočnosti kupujete. Na Terminal Bench 2.1 je odstup 5,2 bodu pri modeli s dvadsaťpäťkrát menším počtom parametrov; pri používaní nástrojov 3,8 bodu. Odstup sa rozširuje tam, kde je práca najhlbšia — 8,3 bodu na DeepSWE, 7,3 na NL2Repo, pričom oba odmeňujú vytrvalé viackrokové uvažovanie nad kódom. To je tvar celého kompromisu v jednej tabuľke: Flash uzatvára väčšinu odstupu na ohraničených úlohách a ustupuje na otvorených.

Vlastná karta Flashu od DeepSeeku to hovorí ešte ostrejšie: Flash-0731 na uvedených benchmarkoch prekonáva preview verziu V4-Pro napriek oveľa menšiemu počtu aktivovaných parametrov. Novší malý model, ktorý poráža starší veľký, je v tomto odbore normálny stav vecí a je dôvodom, prečo by „vyššia úroveň“ nikdy nemala byť vašou predvolenou odpoveďou.

04Ako čítať príponu: W4A16-AUTOROUND-REAP

Naše id modelov hovoria svoju kompresnú schému nahlas, pretože je to vec, ktorá najviac ovplyvňuje kvalitu výstupu a takmer nikto ju neuvádza. Táto sa rozkladá na tri tvrdenia.

W4A16 — 4-bitové váhy, 16-bitové aktivácie

Váhy sa ukladajú po 4 bitoch; aktivácie prechádzajú v 16-bitovej presnosti. Ide o kvantizáciu len váh a mieri na skutočné úzke hrdlo pri generovaní tokenov, ktorým je pamäťová priepustnosť, nie aritmetika. Kvantizovať aj aktivácie by prinieslo o niečo viac rýchlosti a riskovalo oveľa väčší prepad presnosti; ponechať ich na 16 bitoch je konzervatívna voľba s vysokou vernosťou. Zápis je skratka zo servírovacieho ekosystému — kvantizačná literatúra to isté píše ako W4 s veľkosťou skupiny.

AUTOROUND — naučené zaokrúhľovanie, nie zaokrúhľovanie na najbližšiu hodnotu

Naivná kvantizácia zaokrúhli každú váhu na najbližšiu reprezentovateľnú hodnotu. To preukázateľne nie je optimálne: zaokrúhlenie jednej váhy „nesprávnym“ smerom môže vyrušiť chybu zanesenú jej susedmi a pri miliardách váh tieto interakcie dominujú. AutoRound od Intelu berie samotné rozhodnutie o zaokrúhlení ako niečo, čo sa dá naučiť — trénovateľnú perturbáciu na váhu obmedzenú na ±0,5, presne toľko, aby preklopila ktorékoľvek jednotlivé zaokrúhlenie a nikdy viac, plus naučiteľné orezávacie rozsahy, optimalizované znamienkovým gradientovým zostupom voči blokovému cieľu rekonštrukcie výstupu na malej kalibračnej sade. Dvesto krokov a hotovo.

Zverejnené porovnania Intelu majú AutoRound nad GPTQ v 30 z 32 testovaných scenárov, nad AWQ v 27 z 32 a nad OmniQuant v 29 z 32 pri 4-bitových nastaveniach len pre váhy, so ziskami oproti naivnému zaokrúhľovaniu na najbližšiu hodnotu od 6,9 do 33,2 bodu presnosti pri dvoch bitoch. Nič z toho nestojí pri inferencii nič: je to lepšia voľba čísel, urobená raz, offline.

REAP — zahodenie expertov, ku ktorým sa nikto nesmeruje

REAP (Router-weighted Expert Activation Pruning) z Cerebras Systems a University of Calgary je jednorazová kompresia pre modely MoE. Hodnotí každého experta podľa toho, ako silno a ako často k nemu smerovač otvára bránu, vynásobené veľkosťou výstupu daného experta, a potom najmenej výrazných expertov rovno vymaže — bez následného pretrénovania.

Ústredné zistenie tej práce je to užitočné: pri vysokých kompresných pomeroch prerezávanie expertov poráža ich zlučovanie. Zlučovanie funkčne odlišných expertov spôsobuje to, čo autori nazývajú kolapsom funkčného podpriestoru — smerovač stráca jemnú kontrolu závislú od vstupu, kvôli ktorej sa MoE oplatilo stavať, a zostane mu kormidlovanie medzi statickými priemermi. Ich čísla naprieč modelmi od 20 miliárd po bilión parametrov: pri 25 % kompresii expertov na programátorských úlohách stráca REAP 2,8 % priemernej presnosti tam, kde zlučovacie referencie strácajú vyše 5 %; pri 50 % stráca REAP 8,0 % tam, kde zlučovanie stráca vyše 20 %. Na Qwen3-Coder-480B pri 50 % prerezaní je prepad 1,4 % oproti 39,3 % pri naivnom prerezávaní podľa frekvencie. Cerebras zverejnil kontrolné body REAP okrem iného aj pre líniu DeepSeek.

Prečo tu štyri bity a na Pro tri

Obe úrovne sa musia zmestiť a zostať rýchle na tej istej triede hardvéru. Pro nesie 1,7 bilióna parametrov, takže potrebuje agresívnejšie 3-bitové zaobchádzanie, aby sa vôbec zmestil. Flash nesie zhruba 300 miliárd, takže nie — a ušetrený bit sa minie na vernosť namiesto na to, aby sa model zmestil.

Ten bit navyše znamená viac, než naznačuje aritmetika, pretože poškodenie kvantizáciou nie je lineárne. V meraniach na WikiText-2 z práce o AWQ ide Llama-2-7B z perplexity 5,47 pri FP16 na 5,60 pri 4 bitoch — pokuta 2,4 % — ale na 6,24 pri 3 bitoch, teda pokuta 14 %. To je zhruba šesťnásobné zhoršenie za 25 % kompresie navyše a ten istý vzorec platí aj pri 70 miliardách. Práca o GPTQ je ešte priamejšia: pri troch bitoch naivné zaokrúhľovanie na najbližšiu hodnotu na modeloch triedy 175 miliárd kolabuje do tisícov perplexity, kým pri štyroch bitoch zostáva úplne použiteľné. Pod štyrmi bitmi prestáva byť dobrý kvantizačný algoritmus zdvorilosťou a stáva sa jedinou vecou, ktorá model drží pokope.

Poctivé čítanie týchto dvoch prípon teda znie: Flash je bližšie k svojej vlastnej nekomprimovanej podobe než Pro k tej svojej. Pro je stále silnejší model — tabuľka benchmarkov vyššie to uzatvára. Len sa toho na ceste sem vzdal viac a vy si to privilégium platíte.

Zdroje: 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. Údaje o perplexite z AWQ (arXiv 2306.00978) a GPTQ (arXiv 2210.17323).

05Flash oproti Pro na koncovom bode

Sekcia 03 pokryla základy. Tu je, ako tie dve úrovne vyzerajú ako produkty na našej bráne:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantizácia	W4A16-AUTOROUND-REAP	3BIT-REAP
Presnosť váh	4 bity, naučené zaokrúhľovanie	3 bity
Základ (celkovo / aktívnych)	~304B / 13B	~1.7T / 49B
Vstup za 1M tokenov	$0.50	$1.95
Výstup za 1M tokenov	$2.00	$3.90
Kontext / max. výstup	262 144 / 16 384	262 144 / 16 384
Nástroje · štruktúrovaný výstup · streamovanie	Áno	Áno
Videnie	Nie	Nie
Vrstva odmietania	Žiadna	Žiadna

Všimnite si, čo sa nemení: kontext, strop výstupu, volanie nástrojov, štruktúrovaný výstup a neprítomnosť vrstvy odmietania sú identické. Jediné, čo sa hýbe, je základ, kvantizácia a cena. Vďaka tomu je prepnutie medzi nimi zmenou jedného reťazca vo vašom kóde a čisto ekonomickým rozhodnutím vo vašej architektúre.

Koľko stojí jedno volanie maximálnej veľkosti

Naplňte celý kontext 262 144 tokenov a vezmite si plný výstup 16 384 tokenov:

V cenníkových cenách. Flash: 0,131 $ vstup + 0,033 $ výstup. Pro: 0,511 $ + 0,064 $. Pomer 3,51-krát. Flash zdieľa spodnú hranicu 0,50 $ / 2,00 $ aj s MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro a Hy3 — v úplnom katalógu nájdete, ako sa líšia vo videní a štruktúrovanom výstupe.

06Objemová matematika, prepočítaná

„3,9-krát lacnejší“ platí len na vstupe. Na výstupe je Flash lacnejší 1,95-krát. Vaša skutočná úspora teda závisí od pomeru vstupu k výstupu a rozptyl je dosť veľký na to, aby menil návrhové rozhodnutia. Štyri realistické záťaže, každá pri 100 000 požiadavkách:

Záťaž	Vstup / výstup na volanie	Flash	Pro	Úspora
Klasifikácia tiketov	1,200 / 120	$84	$281	3.3×
Odpovedanie nad RAG	8,000 / 600	$520	$1,794	3.4×
Zhrnutie dlhého dokumentu	60,000 / 1,500	$3,300	$12,285	3.7×
Generovanie syntetických dát	500 / 2,000	$425	$878	2.1×

Vzorec je takýto: čím viac kontextu tlačíte dnu a čím menej textu generujete, tým viac vám Flash ušetrí. Vyhľadávacie pipeline, triedenie dokumentov, analýza logov a prepisov a extrakcia z dlhého kontextu sú sladkým miestom — dominuje im vstup o celý rád a práve na vstupe žije tá 3,9-násobná zľava. Ak je naopak vašou záťažou krátky prompt produkujúci tisíce tokenov prózy, odstup sa zúži zhruba na dvojnásobok a argument schopnosťami v prospech Pro úmerne zosilnie.

Ešte jeden kus aritmetiky, ktorý sa oplatí zvnútorniť: pri 0,50 $ za milión vstupných tokenov stojí naplnenie celého okna 262 144 tokenov 13,1 centa. Promptovanie s dlhým kontextom za takúto cenu prestáva byť rozpočtovou otázkou, čo občas znamená, že vyhľadávaciu vrstvu nemusíte stavať vôbec a prácu necháte na kontextovom okne — inžinierska úspora navrch k tej tokenovej.

07Čo tu presne znamená „necenzurované“

To slovo sa používa voľne, takže tu je naša definícia, vyslovená ako vlastnosť koncového bodu: pred modelom nestojí žiadny klasifikátor odmietania a na jeho výstup sa neaplikuje žiadne filtrovanie obsahu. Nič neprestrihne prompt a nevráti konzervované odmietnutie; nič neskúma doplnenie a necenzuruje ho. Pri produkčnej práci s veľkým objemom sú dôsledky menej dramatické a užitočnejšie, než to slovo naznačuje:

• Žiadne falošné poplachy na neškodnej prevádzke. Filtrované koncové body bežne odmietajú medicínske zhrnutia, bezpečnostné rozbory, právne dokazovanie, beletriu, materiály na znižovanie rizika a samotnú moderačnú prácu — presne tie kategórie, kde dávková úloha spracúva text o citlivej téme, namiesto toho, aby produkovala čokoľvek škodlivé. Pri stotisíc požiadavkách je jednopercentná miera falošných odmietnutí tisíc rozbitých riadkov.
• Deterministické kontrakty. Vyžiadajte si odpoveď podľa json_schema a dostanete JSON zodpovedajúci schéme, nie odsek ospravedlnenia tam, kde mal byť objekt. Váš parser nepotrebuje vetvu na odmietnutia a vaša logika opakovania nemusí odlišovať zlyhanie prenosu od zlyhania politiky.
• Politika je vaša. To je ten kompromis. Ak váš produkt potrebuje mantinely pre koncových používateľov, postavíte ich vo svojej vrstve, kde poznáte svojich používateľov aj svoju jurisdikciu, namiesto toho, aby ste zdedili dohady poskytovateľa o oboch. Váš účet naďalej podlieha našim Zásadám zodpovedného používania.

Necenzurované nie je to isté ako nezarovnané alebo neužitočné. Model stále dodržiava inštrukcie a stále rešpektuje systémový prompt. Ak chcete, aby pre vašich používateľov určité kategórie odmietal, povedzte mu to tam — tú inštrukciu teraz píšete vy, namiesto toho, aby sme ju vnucovali my.

08Schopnosti a poctivé obmedzenia

Pri objemovej práci nesú väčšinu váhy dve schopnosti. Prísny výstup json_schema mení doplnenie na riadok databázy bez parsovacej vrstvy a bez vetvy na odmietnutia. Volanie nástrojov vo všetkých troch dialektoch robí z Flashu rozumný motor pre lacné podkroky agenta, ktorého plánovač na najvyššej úrovni beží na silnejšom modeli. Pridajte reasoning_effort, vďaka ktorému miniete tokeny navyše len na tú časť prevádzky, ktorá ich potrebuje, a kontext 262 144 tokenov identický s tým na Pro — voľbou lacnej úrovne sa kontextu nevzdávate, čo je nezvyčajné.

Obmedzenia sú rovnako konkrétne:

• Žiadne videnie. Flash je len textový a obrazové časti v správe odmietne. Na obrázky na necenzurovanom modeli za tú istú spodnú cenu 0,50 $ / 2,00 $ sú možnosťami s videním MiniMax-M3 a MiMo-V2.5; Kimi-K2.6 a Kimi-K3 sú silnejšie modely s videním nad touto úrovňou.
• Nie je to vrchol rebríka. Vlastné čísla DeepSeeku dávajú Pro pred Flash na každom zverejnenom agentskom benchmarku, s najväčším odstupom pri vytrvalom viackrokovom uvažovaní nad kódom. Tam, kde jedna nesprávna odpoveď stojí viac než tisíc lacných, minte tých 1,45 $ navyše za milión na DeepSeek-V4-Pro.
• 16 384 výstupných tokenov na požiadavku. Dlhé generovania treba deliť medzi volania. Je to rovnaký strop na každom modeli, ktorý servírujeme, a naráža sa naň hlboko pred kontextovým oknom.

09Ako ho zavolať

Namierte na bránu ľubovoľného klienta kompatibilného s OpenAI a zmeňte reťazec modelu. Nič iné vo vašom stohu sa hýbať nemusí.

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
        }
      }
    }
  }'

To isté id modelu funguje nezmenené na /v1/messages aj /v1/responses, čo je najrýchlejší spôsob, ako pod existujúcou integráciou A/B otestovať lacnejší model bez prepisovania klienta. Parametre, tvary streamovacích udalostí, schémy volania nástrojov a limity požiadaviek sú zdokumentované v referencii API; každý model v katalógu je uvedený na Shannon Research.

10Často kladené otázky

---

Zdroje: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Technická správa DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · karty modelov DeepSeek-V4-Flash-0731 a DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Všetky údaje o základoch a benchmarkoch sú tak, ako ich zverejnili príslušní autori; ceny Shannon AI a servírovaný kontext sú naše vlastné cenníkové hodnoty k septembru 2026.