DeepSeek Flash API bez cenzure

Većina timova koji procenjuju LLM API optimizuje pogrešnu promenljivu. Testiraju na dvadeset najtežih promptova kojih mogu da se sete, izaberu pobednika, pa šest nedelja kasnije otkriju da je devedeset pet odsto njihovog saobraćaja kratak, strukturiran, ponovljiv posao koji bi model četiri puta jeftiniji obavio identično. DeepSeek-V4-Flash postoji zbog tih devedeset pet odsto. Ova stranica govori o tome kako da znate da ste u njima — i kada niste.

01Šta zapravo dobijate

Svojstvo	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Identifikator modela	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekst / maksimalni izlaz	262.144 tokena / 16.384 tokena
Cena po 1M (ulaz / izlaz)	$0.50 / $2.00
Striming · pozivanje alata · rezonovanje	Da — sva tri dijalekta
Strukturirani izlaz	json_schema i response_format
Slika na ulazu (vizuelni ulaz)	Ne — samo tekst
Sloj odbijanja / filter izlaza	Nema
Servirano na	Shannon-ovom sopstvenom GPU klasteru

Tri API dijalekta dosežu iste težine: /v1/chat/completions (u obliku OpenAI), /v1/messages (u obliku Anthropic) i /v1/responses. Striming radi na sva tri. Potpun pregled parametara nalazi se u API dokumentaciji.

02Odakle dolazi: loza DeepSeek

DeepSeek-AI je pet generacija modela proveo na jednoj opsesiji: izvući ponašanje s vrha polja iz modela koji je jeftin za serviranje, a ne samo jeftin za treniranje. Gotovo svaka arhitektonska odluka u nizu potiče odatle, a one važne su objavljene. Tri objašnjavaju šta pozivate kada se obratite ovoj krajnjoj tački.

DeepSeekMoE — sitnozrni eksperti plus jedan zajednički

Sloj sa mešavinom eksperata zamenjuje jednu veliku mrežu unapred mnogim manjima i ruterom koji po tokenu bira šačicu njih. DeepSeek-ova varijanta reže eksperte sitnije od uobičajenog rasporeda sa osam eksperata, pa isti aktivirani FLOP-ovi kupuju daleko kombinatorno specifičniju mešavinu, a izdvaja zajedničkog eksperta kroz kojeg prolazi svaki token, tako da se opšte znanje ne uči iznova redundantno unutar svakog specijaliste. DeepSeek-V3 je to isporučio kao 256 rutiranih eksperata plus 1 zajednički, uz 8 rutiranih aktivnih po tokenu — 671 milijarda ukupnih parametara, 37 milijardi aktivnih — zajedno sa balansiranjem opterećenja bez pomoćnog gubitka: umesto kaznenog člana koji kvari kvalitet, pristrasnost po ekspertu na svakom koraku podiže ili spušta ocene rutiranja prema tome da li taj ekspert radi nedovoljno ili preterano opterećen.

MLA — pažnja koja staje u memoriju

Druga polovina problema troška serviranja jeste KV keš, koji raste linearno sa kontekstom i pri velikim dužinama sekvence zavlada memorijom. Multi-head Latent Attention, uveden u DeepSeek-u V2, ključeve i vrednosti zajednički sabija u latentni vektor niskog ranga i kešira njega, rekonstruišući upotrebljive K/V u hodu. DeepSeek-ove objavljene brojke za V2, u odnosu na njihov raniji gusti DeepSeek 67B, prijavljuju smanjenje KV keša od 93,3% i 5,76× veću maksimalnu propusnost generisanja. Zato je prozor od 262K tokena u ovoj porodici osnovni ulog, a ne skup dodatak.

Retka pažnja — i presedan za jeftine tokene

V3.2-Exp je dodao DeepSeek Sparse Attention: lagani indekser ocenjuje kontekstne tokene u odnosu na upit, a selektor zadržava samo najbolje ocenjene. Zanimljiv je račun, a ne mehanizam. DeepSeek je objavio poređenje jedan na jedan sa V3.1-Terminus, gde je MMLU-Pro identičan na 85,0, AIME 2025 naviše (88,4 → 89,3), SWE-bench Verified neznatno naniže (68,4 → 67,8) — kvalitet u suštini nepromenjen — a cene svog API-ja su istog dana snizili za više od 50%. Arhitektura, pošteno prijavljena, pretvorena direktno u cenu. Flash je isti argument odveden korak dalje.

Generacija V4

V4, predstavljen u aprilu 2026. pod MIT licencom, ponovo menja skup slojeva pažnje hibridom Compressed Sparse Attention i Heavily Compressed Attention, trenira sa Muon optimizatorom na više od 32 biliona tokena i zadržava cilj predikcije više tokena iz V3 — koji ujedno služi kao spekulativno dekodiranje i koji je DeepSeek u V3 izmerio uz stopu prihvatanja drugog tokena od 85–90% za ubrzanje dekodiranja od otprilike 1,8×. Sažetak rada o V4 navodi da V4-Pro radi na 27% FLOP-ova zaključivanja po tokenu i 10% KV keša modela V3.2. Porodica izlaže tri nivoa napora rezonovanja, i upravo se na njih preslikava naš parametar reasoning_effort.

Izvori: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Tehnički izveštaj o DeepSeek-u V3 (arXiv 2412.19437) · Kartica modela DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Sve brojke prijavio je DeepSeek.

03Šta „Flash” zapravo znači

Ovo je tačka koju većina poređenja pogreši, pa je vredi izreći ravno: DeepSeek-ov Flash nije kvantizovan, orezan ili destilovan Pro. To je zasebno treniran, manji model sa mešavinom eksperata i sopstvenim pretreniranjem. Rad o pregledu V4 daje dve veličine:

Brojke iz rada o pregledu DeepSeek-a V4. Zvanične kontrolne tačke koje serviramo — V4-Flash-0731 i V4-Pro-0813 — na svojim karticama modela navode nešto veće ukupne iznose od 304 milijarde i 1,7 biliona; DeepSeek za te gradnje ne navodi ponovo aktivirane parametre.

Ovde posao obavljaju dva broja. Ukupni parametri određuju memorijski otisak, koji odlučuje koliko hardvera zauzima jedna kopija modela. Aktivirani parametri određuju aritmetiku po tokenu, koja odlučuje o propusnosti. Flash je otprilike 5,6× manji po prvom i 3,8× manji po drugom — a u toj razlici vredi primetiti finesu: Flash aktivira 13 od 284 milijarde parametara, oko 4,6%, dok Pro aktivira 49 od 1.600 milijardi, oko 3,1%. Flash je manje redak model. Nije prosto Pro sa manje uključenih eksperata; to je gušći, drugačije izbalansiran dizajn koji na svaki token koji proizvede troši veći udeo sebe. To je stvarna inženjerska odluka, a ne degradacija.

Šta kažu DeepSeek-ove sopstvene brojke

Obe zvanične kartice modela objavljuju rezultate na istim agentskim i softverskoinženjerskim benčmarkovima, što ovo čini neobično čistim poređenjem — ista laboratorija, isti evaluacioni postav, dve veličine:

Benčmark (prijavio 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 pobeđuje u svakom redu. To je poštena vest u naslovu i draže nam je da je pročitate ovde nego da je otkrijete u produkciji. Ali čitajte razlike, jer su one ono što zapravo kupujete. Na Terminal Bench-u 2.1 razmak je 5,2 poena kod modela sa dvadeset petinom parametara; na upotrebi alata 3,8 poena. Razmak se širi tamo gde posao postaje najdublji — 8,3 poena na DeepSWE-u, 7,3 na NL2Repo-u, a oba nagrađuju održano višekoračno rezonovanje o kodu. To je oblik razmene u jednoj tabeli: Flash zatvara većinu razmaka na omeđenim zadacima, a popušta na otvorenim.

DeepSeek-ova sopstvena kartica za Flash tvrdi to još oštrije: Flash-0731 nadmašuje pregled V4-Pro na navedenim benčmarkovima uprkos daleko manjem broju aktiviranih parametara. To što noviji mali model tuče stariji veliki jeste normalno stanje stvari u ovom polju, i upravo je zato „veći nivo” nikada ne bi trebalo da bude vaš podrazumevani odgovor.

04Čitanje sufiksa: W4A16-AUTOROUND-REAP

Naši identifikatori modela naglas izriču svoju šemu kompresije, jer je to ono što najviše utiče na kvalitet izlaza, a gotovo niko to ne obelodanjuje. Ovaj se razlaže na tri tvrdnje.

W4A16 — 4-bitne težine, 16-bitne aktivacije

Težine se čuvaju na 4 bita svaka; aktivacije prolaze u 16-bitnoj preciznosti. Ovo je kvantizacija samo težina i cilja stvarno usko grlo u generisanju tokena, a to je memorijski propusni opseg, a ne aritmetika. Kvantizovanje i aktivacija donelo bi nešto malo brzine uz rizik daleko veće provalije u tačnosti; ostaviti ih na 16 bita jeste konzervativan izbor visoke vernosti. Notacija je skraćenica ekosistema za serviranje — literatura o kvantizaciji isto to piše kao W4 uz veličinu grupe.

AUTOROUND — naučeno zaokruživanje, a ne zaokruživanje na najbliže

Naivna kvantizacija svaku težinu zaokružuje na najbližu predstavljivu vrednost. To dokazivo nije optimalno: zaokruživanje jedne težine na „pogrešnu” stranu može da poništi grešku koju su unele njene susede, a kod milijardi težina te interakcije zavladaju. AutoRound, iz Intel-a, samu odluku o zaokruživanju tretira kao nešto što treba naučiti — trenirajuću perturbaciju po težini ograničenu na ±0,5, tačno toliko da preokrene bilo koju pojedinačnu odluku o zaokruživanju i nikada više, plus naučive opsege odsecanja, optimizovane predznačenim gradijentnim spustom prema cilju rekonstrukcije izlaza po blokovima nad malim kalibracionim skupom. Dve stotine koraka, i gotovo.

Intel-ova objavljena poređenja pokazuju da AutoRound tuče GPTQ u 30 od 32 testirana scenarija, AWQ u 27 od 32 i OmniQuant u 29 od 32 pri 4-bitnim postavkama samo za težine, uz dobitke od 6,9 do 33,2 poena tačnosti u odnosu na naivno zaokruživanje na najbliže pri 2 bita. Ništa od toga ne košta u trenutku zaključivanja: to je bolji izbor brojeva, napravljen jednom, van linije.

REAP — izbacivanje eksperata kojima niko ne rutira

REAP (Router-weighted Expert Activation Pruning), iz Cerebras Systems-a i Univerziteta u Kalgariju, jednokoračna je kompresija za MoE modele. Svakog eksperta ocenjuje po tome koliko mu jako i koliko često ruter propušta saobraćaj, pomnoženo veličinom izlaza tog eksperta, pa najmanje istaknute eksperte briše bez ostatka — bez ponovnog treniranja posle.

Središnji nalaz rada je onaj koristan: pri visokim odnosima kompresije orezivanje eksperata tuče njihovo stapanje. Stapanje funkcionalno različitih eksperata izaziva ono što autori zovu kolapsom funkcionalnog potprostora — ruter gubi sitnozrnu kontrolu zavisnu od ulaza zbog koje se MoE i gradio, i ostaje da upravlja između statičkih proseka. Njihove brojke kroz modele od 20 milijardi do bilion parametara: pri 25% kompresije eksperata na zadacima kodiranja REAP gubi 2,8% prosečne tačnosti tamo gde osnovna rešenja sa stapanjem gube preko 5%; pri 50% REAP gubi 8,0% gde stapanje gubi preko 20%. Na Qwen3-Coder-480B pri 50% orezivanja pad je 1,4%, naspram 39,3% za naivno orezivanje po frekvenciji. Cerebras je objavio REAP kontrolne tačke između ostalog i za niz DeepSeek.

Zašto 4 bita ovde, a 3 bita na Pro-u

Oba nivoa moraju da stanu i ostanu brza na istoj klasi hardvera. Pro nosi 1,7 biliona parametara, pa mu je agresivniji 3-bitni tretman potreban da bi uopšte stao. Flash nosi otprilike 300 milijardi, pa mu nije — a bit koji uštedi troši se na vernost umesto na uklapanje.

Taj dodatni bit znači više nego što njegova aritmetika sugeriše, jer šteta od kvantizacije nije linearna. U merenjima na WikiText-u 2 iz rada o AWQ-u, Llama-2-7B ide sa 5,47 perpleksnosti pri FP16 na 5,60 pri 4 bita — kazna od 2,4% — ali na 6,24 pri 3 bita, kazna od 14%. To je otprilike šestostruka degradacija za 25% više kompresije, a isti obrazac važi i na 70B. Rad o GPTQ-u je još direktniji: pri 3 bita naivno zaokruživanje na najbliže kolabira na modelima klase 175B, u hiljade perpleksnosti, dok pri 4 bita ostaje sasvim upotrebljivo. Ispod četiri bita dobar algoritam kvantizacije prestaje da bude udobnost i postaje jedino što model drži na okupu.

Pošteno čitanje ova dva sufiksa glasi, dakle: Flash je bliži sopstvenoj nekompresovanoj verziji nego što je Pro bliži svojoj. Pro je i dalje jači model — tabela sa benčmarkovima iznad to rešava. On je jednostavno više predao da bi stigao dovde, a vi tu povlasticu plaćate.

Izvori: 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. Brojke perpleksnosti iz AWQ-a (arXiv 2306.00978) i GPTQ-a (arXiv 2210.17323).

05Flash naspram Pro-a na krajnjoj tački

Odeljak 03 pokrio je temelje. Evo kako ta dva nivoa izgledaju kao proizvodi na našem gejtveju:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantizacija	W4A16-AUTOROUND-REAP	3BIT-REAP
Preciznost težina	4 bita, naučeno zaokruživanje	3 bita
Temelj (ukupno / aktivno)	~304B / 13B	~1.7T / 49B
Ulaz po 1M tokena	$0.50	$1.95
Izlaz po 1M tokena	$2.00	$3.90
Kontekst / maksimalni izlaz	262.144 / 16.384	262.144 / 16.384
Alati · strukturirani izlaz · striming	Da	Da
Vizuelni ulaz	Ne	Ne
Sloj odbijanja	Nema	Nema

Primetite šta se ne menja: kontekst, plafon izlaza, pozivanje alata, strukturirani izlaz i odsustvo sloja odbijanja identični su. Jedino što se pomera jesu temelj, kvantizacija i cena. To prebacivanje između njih čini promenom jednog stringa u vašem kodu i čisto ekonomskom odlukom u vašoj arhitekturi.

Koliko košta jedan poziv maksimalne veličine

Popunite ceo kontekst od 262.144 tokena i uzmite pun izlaz od 16.384 tokena:

Po cenovniku. Flash: $0.131 ulaz + $0.033 izlaz. Pro: $0.511 + $0.064. Odnos 3,51×. Flash ujedno deli donju granicu od $0.50 / $2.00 sa modelima MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro i Hy3 — pogledajte ceo katalog da vidite po čemu se razlikuju u vizuelnom ulazu i strukturiranom izlazu.

06Račun obima, razrađen

„3,9× jeftinije” važi samo na ulazu. Na izlazu je Flash 1,95× jeftiniji. Vaša stvarna ušteda stoga zavisi od vašeg odnosa ulaza i izlaza, a raspon je dovoljno širok da menja odluke o dizajnu. Četiri realna posla, svaki na 100.000 zahteva:

Posao	Ulaz / izlaz po pozivu	Flash	Pro	Ušteda
Klasifikacija tiketa	1,200 / 120	$84	$281	3,3×
Odgovaranje na pitanja po RAG-u	8,000 / 600	$520	$1,794	3,4×
Sažetak dugog dokumenta	60,000 / 1,500	$3,300	$12,285	3,7×
Generisanje sintetičkih podataka	500 / 2,000	$425	$878	2,1×

Obrazac: što više konteksta gurate i što manje teksta generišete, to vam Flash više štedi. Cevovodi za pronalaženje, trijaža dokumenata, analiza logova i transkripata te izvlačenje podataka iz dugog konteksta su slatka tačka — ulaz kod njih zavlada za red veličine, a ulaz je mesto gde popust od 3,9× živi. Ako je pak vaš posao kratak prompt koji proizvodi hiljade tokena proze, razmak se sužava na otprilike 2×, a argument sposobnosti za Pro postaje srazmerno jači.

Još jedan komad aritmetike vredan usvajanja: pri $0.50 po milionu ulaznih tokena, popunjavanje celog prozora od 262.144 tokena košta 13,1 cent. Promptovanje na dugom kontekstu po toj ceni prestaje da bude budžetsko pitanje, što ponekad znači da sloj za pronalaženje možete uopšte da preskočite i pustite prozor konteksta da odradi posao — inženjerska ušteda povrh uštede na tokenima.

07Šta „bez cenzure” ovde znači, precizno

Reč se koristi olako, pa evo naše definicije, izrečene kao svojstvo krajnje tačke: ispred modela nema klasifikatora odbijanja, a na njegov izlaz se ne primenjuje filtriranje sadržaja. Ništa ne presreće prompt da bi vratilo konzerviranu odbijenicu; ništa ne pregleda dovršetak da bi ga redigovalo. Za produkcijski rad velikog obima posledice su manje dramatične i korisnije nego što reč sugeriše:

• Nema lažno pozitivnih na bezazlenom saobraćaju. Filtrirane krajnje tačke redovno odbijaju medicinske sažetke, bezbednosne izveštaje, pravnu pripremu dokaza, fikciju, materijal za smanjenje štete i sam posao moderacije — upravo one kategorije gde grupni posao obrađuje tekst o osetljivoj temi, a ne proizvodi išta štetno. Na sto hiljada zahteva, stopa lažnih odbijanja od jedan odsto jeste hiljadu pokvarenih redova.
• Deterministički ugovori. Zatražite odgovor po json_schema i dobijete JSON koji odgovara šemi, a ne pasus izvinjenja tamo gde bi trebalo da bude objekat. Vašem parseru ne treba grana za odbijanje, a vaša logika ponavljanja ne mora da razlikuje kvar prenosa od kvara politike.
• Politika je vaša. To je razmena. Ako vašem proizvodu trebaju zaštitne ograde za vaše krajnje korisnike, gradite ih na svom sloju, gde poznajete svoje korisnike i svoju jurisdikciju, umesto da nasledite dobavljačeva nagađanja o oboje. Vaš nalog i dalje uređuje naša politika odgovorne upotrebe.

Bez cenzure nije isto što i neusklađeno ili neuslužno. Model i dalje prati uputstva i i dalje poštuje sistemsku uputu. Ako želite da odbija određene kategorije za vaše korisnike, recite to tamo — ta uputa je sada vaša da je napišete, a ne naša da je nametnemo.

08Mogućnosti i pošteno navedena ograničenja

Dve mogućnosti nose najveći deo tereta za rad na obimu. Strog izlaz po json_schema pretvara dovršetak u red u bazi bez sloja za parsiranje i bez grane za odbijanje. Pozivanje alata u sva tri dijalekta čini Flash razumnim motorom za jeftine podkorake agenta čiji planer na vrhu radi na jačem modelu. Dodajte reasoning_effort, koji vam dopušta da dodatne tokene trošite samo na onaj deo saobraćaja kojem trebaju, i kontekst od 262.144 tokena identičan Pro-ovom — birajući jeftiniji nivo ne predajete kontekst, što je neobično.

Ograničenja su podjednako konkretna:

• Nema vizuelnog ulaza. Flash radi samo sa tekstom i odbiće delove poruke sa slikom. Za slike na modelu bez cenzure po istoj donjoj granici od $0.50 / $2.00, opcije koje vide jesu MiniMax-M3 i MiMo-V2.5; Kimi-K2.6 i Kimi-K3 jači su modeli za vizuelni ulaz iznad tog nivoa.
• Nije vrh lestvice. DeepSeek-ove sopstvene brojke stavljaju Pro ispred na svakom objavljenom agentskom benčmarku, a razmak je najveći na održanom višekoračnom rezonovanju o kodu. Tamo gde jedan pogrešan odgovor košta više od hiljadu jeftinih, potrošite dodatnih $1.45 po milionu na DeepSeek-V4-Pro.
• 16.384 izlazna tokena po zahtevu. Duga generisanja moraju da se dele kroz više poziva. To je isti plafon na svakom modelu koji serviramo, i veže se mnogo pre nego prozor konteksta.

09Pozivanje

Uperite bilo kog klijenta kompatibilnog sa OpenAI na gejtvej i promenite string modela. Ništa se drugo u vašem sklopu ne mora pomeriti.

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 identifikator modela radi nepromenjen na /v1/messages i /v1/responses, što je najbrži način da A/B testirate jeftiniji model ispod postojeće integracije bez prepisivanja klijenta. Parametri, oblici strimovanih događaja, šeme za pozivanje alata i ograničenja brzine dokumentovani su u API referenci; svaki model iz kataloga naveden je na Shannon Research-u.

10Često postavljana pitanja

---

Izvori: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Tehnički izveštaj o DeepSeek-u V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · kartice modela DeepSeek-V4-Flash-0731 i DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Sve brojke o temelju i benčmarkovima objavili su njihovi autori; cene Shannon AI-ja i servirani kontekst naše su vrednosti iz cenovnika na dan septembra 2026.