Necenzuriran DeepSeek Flash API

Večina ekip, ki vrednoti API za LLM, optimizira napačno spremenljivko. Meritve poženejo na dvajsetih najtežjih pozivih, ki si jih znajo izmisliti, izberejo zmagovalca in šest tednov pozneje odkrijejo, da je petindevetdeset odstotkov njihovega prometa kratko, strukturirano, ponavljajoče se delo, ki bi ga model za četrtino cene obdelal enako. DeepSeek-V4-Flash obstaja za teh petindevetdeset odstotkov. Ta stran govori o tem, kako veste, da ste v njih — in kdaj niste.

01Kaj dejansko dobite

Lastnost	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
ID modela	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekst / največ izhoda	262,144 žetonov / 16,384 žetonov
Cena na 1M (vhod / izhod)	$0.50 / $2.00
Pretakanje · klicanje orodij · sklepanje	Da — vsa tri narečja
Strukturiran izhod	json_schema in response_format
Slikovni vhod (razumevanje slik)	Ne — samo besedilo
Sloj zavračanja / filter izhoda	Ga ni
Strežen na	Shannonovem lastnem grozdu GPU

Do istih uteži vodijo tri narečja API: /v1/chat/completions (oblika OpenAI), /v1/messages (oblika Anthropic) in /v1/responses. Pretakanje deluje na vseh treh. Popoln pregled parametrov je v dokumentaciji API.

02Od kod prihaja: rodovnica DeepSeek

DeepSeek-AI je pet rodov modelov posvetil eni obsedenosti: kako iz modela, ki je poceni za strežbo in ne le za učenje, iztisniti vedenje s prednje črte. Skoraj vsaka arhitekturna odločitev v tej vrsti izvira iz tega in pomembne so objavljene. Tri pojasnjujejo, kaj kličete, ko zadenete to končno točko.

DeepSeekMoE — drobnozrnati strokovnjaki in en deljeni

Plast Mixture-of-Experts eno veliko naprejšnje omrežje nadomesti z mnogimi manjšimi in usmerjevalnikom, ki jih na žeton izbere peščico. Različica DeepSeeka strokovnjake nareže drobneje od običajne postavitve z osmimi strokovnjaki, tako da isti aktivirani FLOP kupijo kombinatorično precej bolj specifično mešanico, in izloči deljenega strokovnjaka, skozi katerega gre vsak žeton, tako da se splošnega znanja ni treba odvečno učiti znotraj vsakega specialista. DeepSeek-V3 je to izdal kot 256 usmerjenih strokovnjakov in 1 deljenega, z 8 usmerjenimi, aktivnimi na žeton — 671B skupnih parametrov, 37B aktivnih — skupaj z uravnoteženjem obremenitve brez pomožne izgube: namesto kaznovalnega člena, ki poslabša kakovost, ocene usmerjanja pri vsakem koraku zvišuje ali znižuje pristranskost na strokovnjaka, glede na to, ali je ta premalo ali preveč obremenjen.

MLA — pozornost, ki gre v pomnilnik

Druga polovica težave s stroškom strežbe je predpomnilnik KV, ki raste linearno s kontekstom in pri dolgih zaporedjih obvladuje pomnilnik. Multi-head Latent Attention, uvedena v DeepSeek-V2, ključe in vrednosti skupaj stisne v nizkorangovni latentni vektor ter predpomni tega, uporabne K/V pa sproti rekonstruira. Objavljene številke DeepSeeka za V2 proti njihovemu prejšnjemu gostemu DeepSeek 67B poročajo o 93,3-odstotnem zmanjšanju predpomnilnika KV in 5,76× višji največji prepustnosti generiranja. Zato je okno 262K žetonov v tej družini samoumevno, ne pa doplačilo.

Redka pozornost — in precedens za poceni žetone

V3.2-Exp je dodal DeepSeek Sparse Attention: lahek indeksnik oceni kontekstne žetone proti poizvedbi, izbirnik pa obdrži samo najbolje ocenjene. Zanimiv je račun, ne mehanizem. DeepSeek je objavil neposredno primerjavo z V3.1-Terminus, kjer je MMLU-Pro enak pri 85,0, AIME 2025 višji (88,4 → 89,3), SWE-bench Verified neznatno nižji (68,4 → 67,8) — v bistvu enaka kakovost — in istega dne so cene svojega API znižali za več kot 50 %. Arhitektura, pošteno sporočena, se neposredno prelije v ceno. Flash je isti argument, potisnjen še korak dlje.

Rod V4

V4, predstavljen aprila 2026 pod licenco MIT, sklad pozornosti znova zamenja s hibridom Compressed Sparse Attention in Heavily Compressed Attention, uči se z optimizatorjem Muon na več kot 32T žetonih in ohranja cilj napovedovanja več žetonov iz V3 — ki hkrati služi kot spekulativno dekodiranje in ki ga je DeepSeek pri V3 izmeril pri 85–90-odstotni stopnji sprejema drugega žetona za približno 1,8× hitrejše dekodiranje. Povzetek V4 poroča, da V4-Pro teče pri 27 % operacij FLOP sklepanja na en žeton in 10 % predpomnilnika KV v primerjavi z V3.2. Družina izpostavlja tri ravni napora sklepanja, na kar se preslika naš parameter reasoning_effort.

Viri: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · tehnično poročilo DeepSeek-V3 (arXiv 2412.19437) · kartica modela DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Vse številke poroča DeepSeek.

03Kaj »Flash« pravzaprav pomeni

Tu se večina primerjav zmoti, zato velja povedati naravnost: DeepSeekov Flash ni kvantiziran, obrezan ali destiliran Pro. Je ločeno naučen, manjši model Mixture-of-Experts z lastnim tekom predučenja. Članek s predstavitvijo V4 navaja obe velikosti:

Številke iz članka s predstavitvijo DeepSeek-V4. Uradni kontrolni točki, ki ju strežemo — V4-Flash-0731 in V4-Pro-0813 — na svojih karticah modela navajata nekoliko višja skupna števila 304B in 1,7T; DeepSeek za ti izvedbi aktiviranih parametrov ne navaja znova.

Delo tu opravita dve številki. Skupno število parametrov določa pomnilniški odtis, ki odloča, koliko strojne opreme zaseda en izvod modela. Aktivirani parametri določajo aritmetiko na žeton, ki odloča o prepustnosti. Flash je pri prvem približno 5,6× manjši in pri drugem 3,8× manjši — v tem razmiku pa je vredno opaziti podrobnost: Flash aktivira 13 od 284 milijard parametrov, torej približno 4,6 %, Pro pa 49 od 1.600 milijard, približno 3,1 %. Flash je manj redek model. Ni preprosto Pro z manj vklopljenimi strokovnjaki; je gostejša, drugače uravnotežena zasnova, ki na vsak ustvarjeni žeton porabi večji delež sebe. To je resnična inženirska odločitev, ne poslabšanje.

Kaj pravijo DeepSeekove lastne številke

Obe uradni kartici modela objavljata rezultate na istih agentnih in programsko-inženirskih meritvah, kar to naredi za nenavadno čisto primerjavo — isti laboratorij, isto ogrodje vrednotenja, dve velikosti:

Meritev (poroča 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 zmaga v vsaki vrstici. To je pošten naslov in raje ga preberete tu, kot da ga odkrijete v produkciji. A preberite razmike, ker prav te kupujete. Na Terminal Bench 2.1 je vrzel 5,2 točke pri modelu s petindvajsetino parametrov; pri rabi orodij je 3,8 točke. Vrzel se razširi tam, kjer je delo najgloblje — 8,3 točke na DeepSWE, 7,3 na NL2Repo, pri obeh se nagrajuje vztrajno večkoračno sklepanje o kodi. To je oblika te menjave v eni razpredelnici: Flash pri omejenih nalogah zapre večino razdalje, pri odprtih pa popusti.

DeepSeekova kartica za Flash to pove še ostreje: Flash-0731 na navedenih meritvah prekaša predstavitveno različico V4-Pro kljub veliko manjšemu številu aktiviranih parametrov. Da novejši majhen model premaga starejšega velikega, je na tem področju običajno stanje in prav zato »višja stopnja« nikoli ne sme biti vaš privzeti odgovor.

04Branje pripone: W4A16-AUTOROUND-REAP

Naši ID-ji modelov svojo shemo stiskanja povedo naglas, ker je prav ta tisto, kar najbolj vpliva na kakovost izhoda in česar skoraj nihče ne razkriva. Ta se razstavi na tri trditve.

W4A16 — 4-bitne uteži, 16-bitne aktivacije

Uteži so shranjene po 4 bite; aktivacije tečejo pri 16-bitni natančnosti. To je kvantizacija samo uteži in cilja na dejansko ozko grlo pri generiranju žetonov, ki je pomnilniška pasovna širina, ne aritmetika. Kvantiziranje tudi aktivacij bi prineslo nekaj hitrosti in tvegalo precej večji prepad v natančnosti; ohranitev pri 16 bitih je konservativna izbira z visoko zvestobo. Zapis je okrajšava iz strežnega ekosistema — kvantizacijska literatura isto stvar zapiše kot W4 z velikostjo skupine.

AUTOROUND — naučeno zaokroževanje, ne zaokroževanje na najbližje

Naivna kvantizacija vsako utež zaokroži na najbližjo predstavljivo vrednost. To dokazljivo ni optimalno: zaokrožitev ene uteži v »napačno« smer lahko izniči napako, ki so jo vnesle njene sosede, in pri milijardah uteži ta prepletanja prevladajo. AutoRound podjetja Intel samo odločitev o zaokrožitvi obravnava kot nekaj, česar se je treba naučiti — kot učljivo motnjo na utež, omejeno na ±0,5, torej natanko toliko, da lahko obrne katero koli posamezno zaokrožitev in nič več, ob tem pa učljive obsege obrezovanja, optimizirano s predznačenim gradientnim spustom proti cilju bločne rekonstrukcije izhoda na majhni umeritveni množici. Dvesto korakov in konec.

Intelove objavljene primerjave kažejo, da AutoRound pri 4-bitnih nastavitvah samo za uteži prekaša GPTQ v 30 od 32 preizkušenih scenarijev, AWQ v 27 od 32 in OmniQuant v 29 od 32, z 6,9 do 33,2 točke natančnosti prednosti pred naivnim zaokroževanjem na najbližje pri 2 bitih. Nič od tega ne stane ob sklepanju: gre za boljšo izbiro števil, opravljeno enkrat in brez povezave.

REAP — brisanje strokovnjakov, h katerim nihče ne usmerja

REAP (Router-weighted Expert Activation Pruning) iz Cerebras Systems in Univerze v Calgaryju je enkoračno stiskanje za modele MoE. Vsakega strokovnjaka oceni po tem, kako močno in kako pogosto usmerjevalnik usmerja k njemu, pomnoženo z velikostjo izhoda tega strokovnjaka, nato pa najmanj izstopajoče trajno izbriše — brez naknadnega učenja.

Osrednja ugotovitev članka je uporabna: pri visokih razmerjih stiskanja je obrezovanje strokovnjakov boljše od njihovega zlivanja. Zlivanje funkcijsko različnih strokovnjakov povzroči tisto, čemur avtorji pravijo sesutje funkcijskega podprostora — usmerjevalnik izgubi drobnozrnati, od vhoda odvisni nadzor, zaradi katerega se je MoE sploh splačalo graditi, in ostane mu krmarjenje med statičnimi povprečji. Njihove številke čez modele od 20B do 1T parametrov: pri 25-odstotnem stiskanju strokovnjakov na programerskih nalogah REAP izgubi 2,8 % povprečne natančnosti, kjer osnove z zlivanjem izgubijo več kot 5 %; pri 50 % REAP izgubi 8,0 %, zlivanje pa več kot 20 %. Pri Qwen3-Coder-480B s 50-odstotnim obrezovanjem je padec 1,4 % proti 39,3 % pri naivnem obrezovanju po pogostosti. Cerebras je med drugim objavil kontrolne točke REAP za vrsto DeepSeek.

Zakaj 4 biti tukaj in 3 biti pri Pro

Obe stopnji morata iti noter in ostati hitri na istem razredu strojne opreme. Pro nosi 1,7 bilijona parametrov, zato potrebuje agresivnejšo 3-bitno obravnavo, da sploh gre noter. Flash nosi približno 300 milijard, zato je ne potrebuje — in prihranjeni bit gre v zvestobo namesto v to, da model sploh gre noter.

Ta dodatni bit šteje bolj, kot bi kazala aritmetika, ker škoda kvantizacije ni linearna. V meritvah WikiText-2 iz članka o AWQ gre Llama-2-7B s 5,47 perpleksnosti pri FP16 na 5,60 pri 4 bitih — 2,4-odstotna kazen — a na 6,24 pri 3 bitih, torej 14-odstotna kazen. To je približno šestkratno poslabšanje za 25 % več stiskanja, in isti vzorec velja pri 70B. Članek o GPTQ je še bolj neposreden: pri 3 bitih se naivno zaokroževanje na najbližje pri modelih razreda 175B sesuje v tisoče perpleksnosti, medtem ko pri 4 bitih ostaja povsem uporabno. Pod štirimi biti dober kvantizacijski algoritem neha biti prijetnost in postane edino, kar model drži skupaj.

Pošteno branje teh dveh pripon je torej: Flash je bližje svoji nestisnjeni različici, kot je Pro svoji. Pro je še vedno močnejši model — razpredelnica meritev zgoraj to pove. Le več je dal, da je prišel sem, in ta privilegij plačate.

Viri: 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. Številke perpleksnosti iz AWQ (arXiv 2306.00978) in GPTQ (arXiv 2210.17323).

05Flash proti Pro na končni točki

Razdelek 03 je pokril temelja. Takole izgledata stopnji kot izdelka na našem prehodu:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantizacija	W4A16-AUTOROUND-REAP	3BIT-REAP
Natančnost uteži	4-bitna, naučeno zaokroževanje	3-bitna
Temelj (skupno / aktivno)	~304B / 13B	~1.7T / 49B
Vhod na 1M žetonov	$0.50	$1.95
Izhod na 1M žetonov	$2.00	$3.90
Kontekst / največ izhoda	262,144 / 16,384	262,144 / 16,384
Orodja · strukturiran izhod · pretakanje	Da	Da
Razumevanje slik	Ne	Ne
Sloj zavračanja	Ga ni	Ga ni

Opazite, kaj se ne spremeni: kontekst, zgornja meja izhoda, klicanje orodij, strukturiran izhod in odsotnost sloja zavračanja so enaki. Premakneta se le temelj, kvantizacija in cena. Zato je preklop med njima sprememba enega niza v vaši kodi in povsem ekonomska odločitev v vaši arhitekturi.

Koliko stane en klic največje velikosti

Napolnite celoten kontekst 262,144 žetonov in vzemite polnih 16,384 žetonov izhoda:

Po ceniku. Flash: $0.131 vhod + $0.033 izhod. Pro: $0.511 + $0.064. Razmerje 3,51×. Flash si dno $0.50 / $2.00 deli tudi z MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro in Hy3 — poglejte celoten katalog, kako se ti razlikujejo pri razumevanju slik in strukturiranem izhodu.

06Izračunana matematika količine

»3,9× ceneje« drži samo pri vhodu. Pri izhodu je Flash 1,95× cenejši. Vaš resnični prihranek je torej odvisen od razmerja med vhodom in izhodom, razpon pa je dovolj širok, da spremeni zasnovne odločitve. Štiri realistične delovne obremenitve, vsaka pri 100.000 zahtevah:

Delovna obremenitev	Vhod / izhod na klic	Flash	Pro	Prihranek
Razvrščanje prijav	1,200 / 120	$84	$281	3.3×
Odgovarjanje na vprašanja z RAG	8,000 / 600	$520	$1,794	3.4×
Povzetek dolgega dokumenta	60,000 / 1,500	$3,300	$12,285	3.7×
Generiranje sintetičnih podatkov	500 / 2,000	$425	$878	2.1×

Vzorec: več konteksta ko pošljete in manj besedila ko ustvarite, več vam Flash prihrani. Cevovodi za priklic, razvrščanje dokumentov, analiza dnevnikov in prepisov ter luščenje iz dolgega konteksta so sladka točka — po vhodu prevladujejo za velikostni red, vhod pa je tam, kjer živi 3,9-kratni popust. Če pa je vaša obremenitev kratek poziv, ki ustvari tisoče žetonov proze, se vrzel zoži na približno 2× in argument za zmožnosti modela Pro postane sorazmerno močnejši.

Še en košček aritmetike, ki ga velja ponotranjiti: pri $0.50 na milijon vhodnih žetonov polnjenje celotnega okna 262,144 žetonov stane 13,1 centa. Pozivanje z dolgim kontekstom pri tej ceni neha biti proračunsko vprašanje, kar včasih pomeni, da gradnjo priklicnega sloja lahko povsem preskočite in delo prepustite oknu konteksta — inženirski prihranek povrh žetonskega.

07Kaj tu natančno pomeni »necenzuriran«

Beseda se rabi ohlapno, zato je tu naša opredelitev, izražena kot lastnost končne točke: pred modelom ni razvrščevalnika zavračanj in na njegovem izhodu ni vsebinskega filtriranja. Nič ne prestreže poziva in ne vrne konzervirane zavrnitve; nič ne pregleda dopolnitve in je ne prekrije. Za produkcijsko delo v velikih količinah so posledice manj dramatične in bolj uporabne, kot nakazuje beseda:

• Nobenih lažnih pozitivov na nedolžnem prometu. Filtrirane končne točke redno zavračajo zdravstvene povzetke, varnostne zapise, pravno razkritje, leposlovje, gradivo za zmanjševanje škode in celo delo moderiranja — natanko kategorije, kjer paketno opravilo obdeluje besedilo o občutljivi temi in ne ustvarja ničesar škodljivega. Pri sto tisoč zahtevah je enoodstotni delež lažnih zavrnitev tisoč polomljenih vrstic.
• Determinirane pogodbe. Zahtevajte odgovor json_schema in dobili boste JSON, ki ustreza shemi, ne odstavka opravičila tam, kjer bi moral biti objekt. Vaš razčlenjevalnik ne potrebuje veje za zavrnitve, vaša logika ponovnih poskusov pa ni prisiljena ločevati prenosne napake od politične.
• Politika je vaša. To je menjava. Če vaš izdelek potrebuje varovala za vaše končne uporabnike, jih zgradite v svojem sloju, kjer poznate svoje uporabnike in svojo pristojnost, namesto da podedujete ponudnikova ugibanja o obojem. Vaš račun še naprej ureja naša Politika odgovorne uporabe.

Necenzuriran ni isto kot neporavnan ali neuslužen. Model še vedno upošteva navodila in še vedno spoštuje sistemski poziv. Če hočete, da za vaše uporabnike določene kategorije zavrača, mu to tam povejte — to navodilo zdaj pišete vi, namesto da bi ga vsiljevali mi.

08Zmožnosti in poštene meje

Pri količinskem delu največ teže nosita dve zmožnosti. Strog izhod json_schema dopolnitev spremeni v vrstico podatkovne zbirke brez razčlenjevalnega sloja in brez veje za zavrnitve. Klicanje orodij v vseh treh narečjih naredi Flash za smiseln pogon za poceni podkorake agenta, čigar načrtovalnik na vrhu teče na močnejšem modelu. Dodajte še reasoning_effort, ki dodatne žetone omogoča porabiti le za tisti delež prometa, ki jih potrebuje, in kontekst 262,144 žetonov, enak kot pri Pro — z izbiro poceni stopnje se konteksta ne odrečete, kar je nenavadno.

Meje so enako konkretne:

• Brez razumevanja slik. Flash je samo besedilen in bo slikovne dele v sporočilu zavrnil. Za slike na necenzuriranem modelu pri istem dnu $0.50 / $2.00 sta možnosti z razumevanjem slik MiniMax-M3 in MiMo-V2.5; Kimi-K2.6 in Kimi-K3 sta močnejša modela za slike nad to stopnjo.
• Ni na vrhu lestve. DeepSeekove lastne številke postavljajo Pro pred njim na vsaki objavljeni agentni meritvi, z najširšo vrzeljo pri vztrajnem večkoračnem sklepanju o kodi. Kjer en napačen odgovor stane več kot tisoč poceni, porabite dodatnih $1.45 na milijon za DeepSeek-V4-Pro.
• 16,384 izhodnih žetonov na zahtevo. Dolga generiranja je treba razsekati čez več klicev. To je ista zgornja meja pri vsakem modelu, ki ga strežemo, in veže precej prej kot okno konteksta.

09Kako ga poklicati

Katerega koli odjemalca, združljivega z OpenAI, usmerite na prehod in zamenjajte niz modela. Nič drugega v vašem skladu se ne rabi premakniti.

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
        }
      }
    }
  }'

Isti ID modela deluje nespremenjen na /v1/messages in /v1/responses, kar je najhitrejša pot do A/B-preizkusa cenejšega modela pod obstoječo integracijo brez predelave odjemalca. Parametri, oblike pretočnih dogodkov, sheme klicanja orodij in omejitve hitrosti so opisani v referenci API; vsi modeli v katalogu so našteti na Shannon Research.

10Pogosta vprašanja

---

Viri: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · tehnično poročilo DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · kartici modelov DeepSeek-V4-Flash-0731 in DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Vse številke o temeljih in meritvah so takšne, kot so jih objavili njihovi avtorji; cene Shannon AI in strežen kontekst so naše kataloške vrednosti na dan september 2026.