DeepSeek API bez cenzure

Ljudi koji dolaze do fraze „DeepSeek API bez cenzure” žele jednu konkretnu stvar: model sa DeepSeek-ovom sposobnošću rezonovanja i pisanja koda koji odgovara na pitanje koje su zaista postavili. Polovina koja se tiče sposobnosti dobro je dokumentovana — DeepSeek-AI je objavio arhitekturu i brojeve, a težine su na Hugging Face pod MIT licencom. Druga polovina je odluka o načinu rada i obično je donose umesto vas. Ova stranica pokriva obe: šta je temelj V4-Pro, šta mu naša 3BIT-REAP gradnja radi i šta tačno znači „bez cenzure” kada mi to kažemo.

01Šta „DeepSeek API bez cenzure” zapravo znači

Pod istu reč se svrstavaju dva različita mehanizma. Prvi je usklađivanje ugrađeno u težine — ponašanje odbijanja naučeno tokom naknadnog treniranja. Drugi je sloj moderacije na strani servisa: zaseban klasifikator koji pregleda vaš upit pre nego što ga model vidi i izlaz pre nego što ga vi vidite, i koji može da preseče odgovor usred rečenice bez obzira na to šta je model hteo da kaže.

Oba su merljiva, a zvanični DeepSeek servis je i izmeren. Promptfoo je sastavio skup od 1.360 politički osetljivih pitanja i izvestio da je DeepSeek-ov hostovani R1 odbio ili izbegao 1.156 njih — otprilike 85%. Akademski rad na istoj porodici otkrio je poseban vid otkaza koji su autori nazvali potiskivanje misli, gde se trag rezonovanja modela prekida gotovo čim počne na osetljivoj temi. Zasebna revizija objavljena u časopisu Information Sciences dokumentovala je potiskivanje na semantičkom nivou: sadržaj prisutan u unutrašnjem rezonovanju modela biva tiho izostavljen ili prepisan pre nego što stigne do korisnika. To je teži problem od otvorenog odbijanja, jer skraćen odgovor izgleda kao odgovor.

Ono što mi pokrećemo jeste izdanje otvorenih težina, na hardveru kojim upravljamo, u Sjedinjenim Državama, pod firmom Shannon Lab LLC. Nema sloja odbijanja ispred modela ni filtera primenjenog na ono što se vraća: vaš upit se ne klasifikuje po politici pre nego što bude serviran, a izlazni tok se ne pregleda na izlasku. Pošto je temelj pod MIT licencom i javan, možete sami da uporedite naše izlaze sa referentnim težinama umesto da nam verujete na reč.

02Temelj: DeepSeek-V4-Pro, MoE sa 1,6 biliona parametara

DeepSeek-V4 je aktuelna porodica otvorenih težina kompanije DeepSeek-AI, najavljena u aprilu 2026. i objavljena pod MIT licencom u dve veličine: V4-Flash (284 milijarde ukupno, 13 milijardi aktivirano) i V4-Pro (1,6 biliona ukupno, 49 milijardi aktivirano). Ovaj članak govori o Pro nivou. Oba su prethodno trenirana na otprilike 33 biliona tokena i oba izvorno podržavaju kontekst od milion tokena.

Odnos retkosti je ono što treba primetiti: samo oko 3% parametara se aktivira na bilo kom pojedinačnom tokenu, i upravo to čini model ove veličine uopšte servirljivim. Sam MoE blok i dalje je DeepSeekMoE — fino zrnasti rutirani eksperti plus uvek uključeni deljeni eksperti uvedeni u V2 — uz tek manje izmene u V4, najuočljivije heš rutiranje u najranijim slojevima. Multi-Token Prediction, pomoćni cilj iz V3 koji ujedno omogućava spekulativno dekodiranje, zadržan je nepromenjen.

Novi delovi u V4 su strukturni. Manifold-Constrained Hyper-Connections (mHC) zamenjuju običnu rezidualnu putanju naučenom matricom mešanja ograničenom na mnogostrukost dvostruko stohastičkih matrica preko Sinkhorn–Knopp projekcije — rezidualni tok koji se pretežava po ulazu bez numeričkog odmicanja koje ubija veoma duboke slojeve. Treniranje je za većinu modula prešlo sa AdamW na Muon, uz Newton–Schulz ortogonalizaciju, dok je AdamW zadržan samo za ugnežđavanja, glave za predikciju, normalizaciju i statičke mHC parametre. Težine eksperata treniraju se u FP4, a većina ostalih parametara u FP8 — svesno kvantizacije od samog početka, što je važno za to koliko elegantno model podnosi dalju kompresiju.

03Od MLA do CSA + HCA: kako DeepSeek drži dugi kontekst jeftinim

Nit koja povezuje četiri generacije DeepSeek-a nije veličina, već ekonomija pažnje. Svaka verzija je napadala KV keš, koji raste linearno sa kontekstom i na velikim dužinama dominira memorijom.

• V2 je uveo Multi-head Latent Attention (MLA) — zajedničku kompresiju ključeva i vrednosti niskog ranga u latentni vektor, tako da generisanje kešira taj vektor plus odvojeni RoPE ključ umesto punih K i V po glavi. DeepSeek je izvestio o padu KV keša na otprilike 4–14% u odnosu na standardnu višeglavu pažnju, uz zadržan ili poboljšan kvalitet.
• V3 je to skalirao na 671 milijardu, čime je MLA postao podrazumevana pretpostavka za jeftin dug kontekst u otvorenim modelima.
• V3.2 je dodao DeepSeek Sparse Attention (DSA), koji preko laganog indeksera bira top-k podskup istorije po upitu umesto da obraća pažnju na sve.
• V4 hibridizuje. Compressed Sparse Attention (CSA) najpre komprimuje KV unose svakih m tokena u jedan unos sa naučenim težinama, a zatim vrši retku top-k selekciju nad tim komprimovanim unosima. Heavily Compressed Attention (HCA) komprimuje mnogo agresivnije, ali nad rezultatom ostaje gusta. Dva tipa sloja se prepliću kroz ceo model, pa jeftin globalni pregled i precizno lokalno pronalaženje postoje uporedo.

Prijavljena dobit pri kontekstu od milion tokena je upadljiva: V4-Pro traži oko 27% FLOP-ova zaključivanja po tokenu i 10% KV keša u odnosu na V3.2. Zato se zahtev od 262K ponaša kao običan zahtev, a ne kao memorijski događaj, i zato se rezultati pronalaženja u dugom kontekstu drže umesto da se uruše posle nekoliko desetina hiljada tokena.

04Šta znači sufiks 3BIT-REAP

Naš kataloški id se završava sa 3BIT-REAP, a to opisuje dva nezavisna koraka kompresije primenjena redom.

REAP: orezivanje eksperata, a ne njihovo spajanje

REAP je Router-weighted Expert Activation Pruning, iz istraživačkog tima Cerebras Research — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”, prihvaćen na ICLR 2026. U retkom MoE modelu ruter ne koristi svoje eksperte ravnomerno: dug rep se bira retko, slabo ili oboje. REAP ocenjuje svakog eksperta kombinujući vrednosti ruter kapija (koliko često i koliko snažno je izabran) sa normama aktivacije eksperta (koliko njegov izlaz doprinosi), a zatim gubitnike prosto briše.

Argument iz rada je da orezivanje pobeđuje spajanje: spajanje usrednjavanjem uništava funkcionalnu specijalizaciju zbog koje je MoE i vredelo graditi, dok brisanje eksperata do kojih ruter jedva dopire tu specijalizaciju čuva. Na modelima od 20 milijardi do 1 biliona parametara REAP je nadmašio spajanje i konkurentske metode orezivanja na generativnim merenjima, a autori navode rezultate skoro bez gubitaka na generisanju koda i pozivanju alata pri orezivanju 50% eksperata na Qwen3-Coder-480B i Kimi-K2 — a to je upravo profil posla zbog kojeg je ovaj model ovde.

Težine od 3 bita: nivo kompresije za najveće temelje

Ono što preživi zatim se kvantizuje na težine od 3 bita. Tri bita su agresivna mera i ne pretvaramo se da nisu: kroz celu postavu koristimo W8A16 tamo gde je temelj dovoljno mali da mu stiskanje ne treba, W4A16-AUTOROUND-REAP u sredini, a 3BIT-REAP samo na najvećim temeljima, gde je to razlika između toga da model serviramo i da ga ne serviramo.

Kompromis vredi izreći otvoreno: MoE od 1,6 biliona parametara u 3 bita nije identičan bit po bit referentnom izdanju, i mali gubitak kvaliteta je stvaran. Za uzvrat dobijate temelj čiji nekomprimovani plafon leži daleko iznad svega što bi udobno stalo pri višoj preciznosti — a pošto su V4 eksperti od početka trenirani u FP4, model se neuobičajeno dobro ponaša pod daljom kompresijom težina. Ako želite DeepSeek gradnju sa nežnijim odnosom prema preciznosti, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP koristi težine od 4 bita sa aktivacijama od 16 bita i AutoRound naučenim zaokruživanjem, na istom kontekstu od 262K, po $0.50 ulaz / $2.00 izlaz.

05Rezonovanje i regulator reasoning_effort

Naknadno treniranje V4 obučava specijaliste po domenima odvojeno — matematika, kod, agenti, praćenje uputstava — kroz SFT praćen GRPO, metodom Group Relative Policy Optimization koju je DeepSeek uveo sa R1. Ti specijalisti se zatim objedinjuju u jedan model kroz on-policy destilaciju pod obrnutim KL ciljem, pa jedna kontrolna tačka nosi ponašanje na nivou specijaliste u nekoliko domena odjednom, umesto da bude generalista osrednji u svemu.

Objavljeni model izlaže stepenovane režime razmišljanja, a ne binarni prekidač. Na našem gejtveju to je standardni parametar reasoning_effort, najkorisniji regulator na ovom modelu:

• Nizak — gotovo neposredno odgovaranje: klasifikacija, izvlačenje podataka, prepisivanje, sve gde plaćate znanje modela, a ne njegovo promišljanje.
• Srednji — podrazumevani radni režim za pregled koda, otklanjanje grešaka i višekoračnu analizu.
• Visok — dugo promišljanje pre odgovora. Tu se rešavaju teški problemi i tu živi vaš račun za izlazne tokene, pošto se tokeni rezonovanja naplaćuju kao izlaz.

Pošto nema sloja odbijanja, trag rezonovanja se ne skraćuje na osetljivim temama — obrazac potiskivanja misli dokumentovan na zvaničnom servisu ovde nema mehanizam kojim bi se pojavio.

06Kod i agentski rad: rezultati temelja

Ovo su sopstveni objavljeni brojevi kompanije DeepSeek-AI za izdanje V4-Pro — nisu naši i nisu mereni na našoj kvantizovanoj gradnji. Prikazujemo ih jer su pošten razlog da se izabere ovaj temelj, i označavamo ih kao proizvođačke da biste ih tako i vagali.

Dva zaslužuju komentar. SWE-bench Verified sa 80,6% je rešavanje prijava iz stvarnih repozitorijuma — čitanje nepoznate baze koda, pronalaženje kvara, izrada zakrpe koja prolazi projektove sopstvene testove. MRCR na milion tokena (83,5) je višekružno pronalaženje koreferenci na punoj dužini, broj koji vam govori da tvrdnja o dugom kontekstu nije ukras. DeepSeek za model navodi i Codeforces rejting od 3206, kao i 62,0 na CorpusQA pri kontekstu od 1M.

Gornji brojevi su ono što DeepSeek-AI navodi za referentno izdanje DeepSeek-V4-Pro. Naša 3BIT-REAP gradnja je komprimovana varijanta tih težina i nije nezavisno merena na ovim zadacima; referentne rezultate shvatite kao plafon temelja, a ne kao merenje ove krajnje tačke.

07262K konteksta: šta zaista staje

Referentni model je treniran za milion tokena. Mi serviramo 262.144 — prozor koji deli svaki model na gejtveju, pa je promena modela izmena u jednom redu i nikada nazadovanje u kontekstu. U praksi je 262K preko granice na kojoj kontekst steže za većinu stvarnog posla:

Posao	Približno tokena	Staje u 262K?
Repozitorijum servisa srednje veličine (~50k linija)	~600K	Ne — birajte module
Jedan podsistem i njegovi testovi	~60–120K	Da, sa lakoćom
Ceo skup RFC-ova za jedan protokol	~150K	Da
Tehnička knjiga od 700 stranica	~250K	Da, blizu granice
Dug agentski rad, 40+ poteza sa alatima	~80–200K	Da

Granica oko koje treba planirati jeste izlaz: najviše 16.384 tokena po odgovoru. To je dug dokument ili obimna zakrpa preko više datoteka, ali ne i cela baza koda. Veliki poslovi generisanja rade se ulančavanjem zahteva sa prethodnim izlazom vraćenim u kontekst — što prozor od 262K čini jeftinim — a ne traženjem jednog ogromnog dovršetka.

08Cena i mesto V4-Pro u postavi

Po $1.95 ulaz / $3.90 izlaz po milionu tokena, V4-Pro je vodeći nivo za rezonovanje — model za koji posežete kada je problem težak. Kada je samo velik, jeftiniji modeli na istom prozoru od 262K odradiće to za četvrtinu cene.

Model bez cenzure	Ulaz / 1M	Izlaz / 1M	Vizuelni ulaz	Najbolje za
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Ne	Teško rezonovanje, kod, agenti
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Ne	Isto poreklo, veliki obim
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Ne	Univerzalni radni konj
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Da	Vrhunski multimodalni agenti
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Da	Najjeftiniji vizuelni ulaz

Da budemo iskreni oko poređenja koje će ljudi zaista praviti: DeepSeek-ov sopstveni API je jeftiniji od ovoga — proizvođački V4-Pro naveden je po oko $0.435 ulaz / $0.87 izlaz, a njihova cena za ulaz iz keša je još niža. Ako vam je cena po tokenu jedini kriterijum i ponašanje moderacije ne utiče na vaš posao, koristite proizvođački API; radije ćemo vam to reći nego da to otkrijete kasnije. Doplata kupuje drugačiji skup svojstava: bez sloja odbijanja i bez filtera izlaza, američki operater pod firmom Shannon Lab LLC, pribadena datirana kontrolna tačka (0813) tako da tiha nadogradnja uzvodno nikada ne promeni vaše izlaze usred projekta, tri API dijalekta nad jednim modelom i isti prozor od 262K i ista površina parametara kroz svih dvanaest modela u postavi.

09Pozivanje: tri dijalekta, jedan model

Svaki model na gejtveju odgovara na sve tri krajnje tačke, sa strimingom na svakoj. Ne usvajate novi SDK — menjate osnovnu adresu i id modela.

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 — OpenAI dijalekt; radi sa OpenAI SDK-ovima i svime što je na njima izgrađeno.
• /v1/messages — Anthropic dijalekt, za kodne baze već pisane prema tom obliku.
• /v1/responses — interfejs u Responses stilu.

Podržano na ovom modelu: striming, izvorno pozivanje alata, strogi strukturirani izlaz json_schema, response_format i reasoning_effort. Potpun pregled parametara i živo igralište nalaze se u API dokumentaciji.

10Poštena ograničenja

Četiri stvari koje treba znati pre nego što na tome gradite:

• Bez vizuelnog ulaza. Samo tekst; neće primiti sliku ni na jednoj krajnjoj tački. Ako vam treba model bez cenzure koji vidi, koristite Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ili inkling.
• Gornja granica izlaza od 16.384 tokena. Pri visokom naporu tokeni rezonovanja ulaze u tu kvotu, pa dugo promišljanje ostavlja manje mesta za odgovor. Za velike poslove generisanja ulančavajte zahteve.
• 3 bita su stvarna kompresija. Referentni rezultati opisuju temelj, a ne ovu gradnju. Za nivo najveće vernosti, W8A16 modeli (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) nose najmanje kvantizacije.
• Bez cenzure ne znači bez posledica. Odsustvo sloja odbijanja znači da odgovornost za ono što tražite i za ono što radite sa odgovorom ostaje na vama — pod našim uslovima korišćenja i zakonom mesta u kome poslujete.

11Često postavljana pitanja

---

Izvori: DeepSeek-AI — kartica modela DeepSeek-V4-Pro · Tehnički izveštaj DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Tehnički izveštaj DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfoo revizija cenzure · Discovering Forbidden Topics in Language Models. Brojevi sa merenja su ono što DeepSeek-AI navodi za referentno izdanje; nezavisna provera komprimovane gradnje od treće strane je u toku. Cene su Shannon AI cenovnik na dan 5. septembra 2026.