Det ocensurerade DeepSeek-API:et

Den som söker på ”ocensurerat DeepSeek-API” vill ha en specifik sak: en modell med DeepSeeks förmåga till resonemang och kod som svarar på frågan man faktiskt ställde. Kapacitetshalvan är väldokumenterad — DeepSeek-AI publicerade arkitekturen och siffrorna, och vikterna ligger på Hugging Face under MIT. Den andra halvan är ett driftbeslut, och det fattas oftast åt dig. Den här sidan täcker båda: vad grundmodellen V4-Pro är, vad vår 3BIT-REAP-build gör med den, och exakt vad ”ocensurerad” betyder när vi säger det.

01Vad ”ocensurerat DeepSeek-API” faktiskt betyder

Två olika mekanismer hamnar under samma ord. Den första är alignment inbakad i vikterna — vägransbeteende inlärt under efterträning. Den andra är ett modereringslager på serversidan: en separat klassificerare som granskar din prompt innan modellen ser den och utdatan innan du ser den, och som kan klippa av ett svar mitt i meningen oavsett vad modellen ville säga.

Båda går att mäta, och DeepSeeks förstapartstjänst har mätts. Promptfoo satte ihop en uppsättning på 1 360 politiskt känsliga frågor och rapporterade att DeepSeeks hostade R1 vägrade eller vek undan i 1 156 av dem — ungefär 85 %. Akademiskt arbete på samma familj fann ett tydligt felläge som författarna kallade tankeundertryckning, där modellens resonemangsspår avbryts nästan så snart det börjar på ett känsligt ämne. En separat granskning publicerad i Information Sciences dokumenterade undertryckning på semantisk nivå: innehåll som finns i modellens interna resonemang men som i tysthet utelämnas eller skrivs om innan det når användaren. Det är ett svårare problem än en rak vägran, eftersom ett stympat svar ser ut som ett svar.

Det vi kör är den öppenviktsutgåva som publicerats, på hårdvara vi själva driver, i USA, under Shannon Lab LLC. Det finns inget vägranslager framför modellen och inget filter på det som kommer tillbaka: din prompt policyklassificeras inte innan den serveras, och utdataströmmen granskas inte på vägen ut. Eftersom grundmodellen är MIT-licensierad och offentlig kan du jämföra våra utdata mot referensvikterna själv i stället för att ta oss på orden.

02Grundmodellen: DeepSeek-V4-Pro, en MoE på 1,6 biljoner

DeepSeek-V4 är DeepSeek-AI:s aktuella öppenviktsfamilj, förhandsvisad i april 2026 och släppt under MIT i två storlekar: V4-Flash (284 miljarder totalt, 13 miljarder aktiverade) och V4-Pro (1,6 biljoner totalt, 49 miljarder aktiverade). Den här artikeln handlar om Pro-nivån. Båda förtränades på ungefär 33 biljoner tokens och båda stöder kontext på en miljon tokens från grunden.

Glesheten är det man ska lägga märke till: bara omkring 3 % av parametrarna aktiveras för en given token, och det är det som gör en modell av den här storleken serverbar över huvud taget. Själva MoE-blocket är fortfarande DeepSeekMoE — de finkorniga dirigerade experterna plus alltid aktiva delade experter som introducerades i V2 — med bara mindre V4-ändringar, mest synligt hashdirigering i de tidigaste lagren. Multi-Token Prediction, V3:s hjälpmål som också möjliggör spekulativ avkodning, behålls oförändrat.

De nya delarna i V4 är strukturella. Manifold-Constrained Hyper-Connections (mHC) ersätter den enkla residualvägen med en inlärd blandningsmatris som via en Sinkhorn–Knopp-projektion tvingas in på mångfalden av dubbelt stokastiska matriser — en residualström som viktar om per indata utan den numeriska drift som knäcker mycket djupa staplar. Träningen flyttades från AdamW till Muon för de flesta modulerna, med Newton–Schulz-ortogonalisering, och AdamW behölls bara för inbäddningar, prediktionshuvuden, normalisering och de statiska mHC-parametrarna. Expertvikterna tränas i FP4 med de flesta övriga parametrar i FP8 — kvantiseringsmedvetet från start, vilket spelar roll för hur graciöst modellen tål ytterligare komprimering.

03Från MLA till CSA + HCA: så håller DeepSeek lång kontext billig

DeepSeeks röda tråd genom fyra generationer är inte storlek, det är uppmärksamhetsekonomi. Varje version har angripit KV-cachen, som växer linjärt med kontexten och dominerar minnet vid stora längder.

• V2 införde Multi-head Latent Attention (MLA) — en lågrangs gemensam komprimering av nycklar och värden till en latent vektor, så att generering cachar den vektorn plus en frikopplad RoPE-nyckel i stället för fullständiga K och V per huvud. DeepSeek rapporterade att KV-cachen sjönk till ungefär 4–14 % av standardmässig multi-head attention, med bibehållen eller förbättrad kvalitet.
• V3 skalade upp det till 671 miljarder och gjorde MLA till standardantagandet för billig lång kontext i öppna modeller.
• V3.2 lade till DeepSeek Sparse Attention (DSA), som väljer ut en top-k-delmängd av historiken per fråga genom en lättviktig indexerare i stället för att uppmärksamma allt.
• V4 hybridiserar. Compressed Sparse Attention (CSA) komprimerar först KV-posterna för varje m tokens till en post med inlärda vikter, och kör sedan gles top-k-selektion över de komprimerade posterna. Heavily Compressed Attention (HCA) komprimerar långt mer aggressivt men förblir tät över resultatet. De två lagertyperna varvas genom stapeln, så att billig global sammanfattning och exakt lokal återsökning kan samexistera.

Den rapporterade vinsten vid en kontext på en miljon tokens är slående: V4-Pro behöver ungefär 27 % av inferens-FLOPs per token och 10 % av KV-cachen jämfört med V3.2. Det är därför en förfrågan på 262K beter sig som en vanlig förfrågan snarare än som en minneshändelse, och därför långkontextsiffrorna för återsökning håller i stället för att kollapsa förbi några tiotusentals tokens.

04Vad suffixet 3BIT-REAP betyder

Vårt katalog-id slutar på 3BIT-REAP, och det beskriver två oberoende komprimeringssteg som tillämpas i ordning.

REAP: att beskära experter, inte slå ihop dem

REAP står för Router-weighted Expert Activation Pruning, från Cerebras Research — ”REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”, antagen till ICLR 2026. I en gles MoE använder routern inte sina experter jämnt: en lång svans väljs sällan, svagt eller båda. REAP poängsätter varje expert genom att kombinera routerns grindvärden (hur ofta och hur starkt den väljs) med expertens aktiveringsnormer (hur mycket dess utdata bidrar), och raderar sedan förlorarna helt.

Artikelns argument är att beskärning slår sammanslagning: sammanslagning medelvärdesbildar bort just den funktionella specialisering som gjorde MoE:n värd att bygga, medan borttagning av de experter routern knappt når bevarar den. Över modeller från 20 miljarder till 1 biljon parametrar överträffade REAP både sammanslagning och konkurrerande beskärningsmetoder på generativa benchmarks, och författarna rapporterar nära förlustfria resultat på kodgenerering och verktygsanrop vid 50 % expertbeskärning på Qwen3-Coder-480B och Kimi-K2 — vilket är exakt den arbetsprofil den här modellen finns här för.

3-bitars vikter: komprimeringsnivån för de största grundmodellerna

Det som överlever kvantiseras sedan till 3-bitars vikter. Tre bitar är aggressivt, och vi låtsas inte annat: över uppsättningen använder vi W8A16 där grundmodellen är liten nog att inte behöva klämmas, W4A16-AUTOROUND-REAP i mitten, och 3BIT-REAP bara på de största grundmodellerna, där det är skillnaden mellan att servera modellen och att inte servera den.

Avvägningen är värd att säga rakt ut: en 3-bitars MoE på 1,6 biljoner parametrar är inte bitidentisk med referensutgåvan, och en liten kvalitetskostnad är verklig. Det du får i utbyte är en grundmodell vars okomprimerade tak ligger långt över allt som får plats bekvämt vid högre precision — och eftersom V4:s experter tränades i FP4 från början tål modellen ovanligt väl ytterligare viktkomprimering. Vill du ha en DeepSeek-build med lättare hand om precisionen använder DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-bitars vikter med 16-bitars aktiveringar och AutoRounds inlärda avrundning, på samma 262K kontext för $0.50 in / $2.00 ut.

05Resonemang, och ratten reasoning_effort

V4:s efterträning tränar domänspecialister separat — matematik, kodning, agenter, instruktionsföljning — med SFT följt av GRPO, den Group Relative Policy Optimization-metod DeepSeek introducerade med R1. De specialisterna förenas sedan till en modell genom on-policy-destillation under ett omvänt KL-mål, så att en enda kontrollpunkt bär specialistmässigt beteende i flera domäner samtidigt i stället för att vara en generalist som är medelmåttig på alla.

Den släppta modellen exponerar graderade tänkelägen snarare än en binär strömbrytare. På vår gateway är det standardparametern reasoning_effort, den enskilt mest användbara ratten på den här modellen:

• Low — nära direkt svar: klassificering, extraktion, omskrivning, allt där du betalar för modellens kunskap snarare än dess överväganden.
• Medium — standardläget för kodgranskning, felsökning och analys i flera steg.
• High — långa överväganden innan svar. Där de svåra problemen löses, och där din räkning för utdatatokens bor, eftersom resonemangstokens debiteras som utdata.

Eftersom det inte finns något vägranslager stympas inte resonemangsspåret på känsliga ämnen — det mönster av tankeundertryckning som dokumenterats på förstapartstjänsten har ingen mekanism att uppstå genom här.

06Kod och agentarbete: vad grundmodellen presterar

Det här är DeepSeek-AI:s egna publicerade siffror för V4-Pro-utgåvan — inte våra, och inte mätta på vår kvantiserade build. Vi visar dem eftersom de är det ärliga skälet att välja den här grundmodellen, och flaggar dem som förstapartssiffror så att du kan vikta dem därefter.

Två förtjänar en kommentar. SWE-bench Verified på 80,6 % är lösning av verkliga repositorieärenden — att läsa en obekant kodbas, hitta defekten och producera en patch som klarar projektets egna tester. MRCR vid en miljon tokens (83,5) är koreferensåtersökning i flera omgångar vid full längd, siffran som talar om att långkontextlöftet inte är dekoration. DeepSeek rapporterar också en Codeforces-rating på 3206 för modellen, och 62,0 på CorpusQA vid 1M kontext.

Siffrorna ovan är rapporterade av DeepSeek-AI för referensutgåvan av DeepSeek-V4-Pro. Vår 3BIT-REAP-build är en komprimerad variant av de vikterna och har inte oberoende utvärderats på dessa uppgifter; betrakta referenssiffrorna som grundmodellens tak, inte som en mätning av den här slutpunkten.

07262K kontext: vad som faktiskt får plats

Referensmodellen är tränad för en miljon tokens. Vi serverar 262 144 — fönstret varje modell på vår gateway delar, så att byta modell är en enradsändring och aldrig en kontextförsämring. I praktiken ligger 262K förbi den punkt där kontexten binder för det mesta verkliga arbetet:

Arbetsuppgift	Ca tokens	Får plats i 262K?
Medelstort tjänsterepo (~50 000 rader)	~600K	Nej — välj moduler
Ett delsystem + dess tester	~60–120K	Ja, med god marginal
Hela RFC-uppsättningen för ett protokoll	~150K	Ja
En teknisk bok på 700 sidor	~250K	Ja, nära gränsen
Lång agentkörning, 40+ verktygsturer	~80–200K	Ja

Gränsen att planera kring är utdata: 16 384 tokens maximalt per svar. Det är ett långt dokument eller en rejäl patch över flera filer, men inte en kodbas. Stora genereringsjobb görs genom att kedja förfrågningar med föregående utdata tillbaka i kontexten — vilket 262K-fönstret gör billigt — snarare än genom att be om en enda enorm komplettering.

08Pris, och var V4-Pro står i uppsättningen

Med $1.95 in / $3.90 ut per miljon tokens är V4-Pro flaggskeppsnivån för resonemang — modellen du tar till när problemet är svårt. När det bara är stort klarar billigare modeller på samma 262K-fönster det för en fjärdedel av priset.

Ocensurerad modell	In / 1M	Ut / 1M	Vision	Bäst för
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Nej	Svåra resonemang, kod, agenter
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Nej	Samma härstamning, hög volym
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Nej	Allsidig arbetshäst
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ja	Multimodala agenter i toppskiktet
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ja	Billigaste vision

För att vara rak om den jämförelse folk faktiskt kommer att göra: DeepSeeks eget API är billigare än det här — förstaparts-V4-Pro ligger runt $0.435 in / $0.87 ut, och deras prissättning vid cacheträff är lägre än så. Om pris per token är ditt enda kriterium och modereringsbeteendet inte påverkar ditt arbete, använd förstaparts-API:et; vi säger hellre det än att du upptäcker det senare. Överpriset köper en annan uppsättning egenskaper: inget vägranslager och inget utdatafilter, en amerikansk operatör under Shannon Lab LLC, en låst daterad kontrollpunkt (0813) så att en tyst uppströmsuppgradering aldrig ändrar dina utdata mitt i ett projekt, tre API-dialekter mot en modell, och samma 262K-fönster och parameteryta över alla tolv modeller i uppsättningen.

09Att anropa den: tre dialekter, en modell

Varje modell på vår gateway svarar på alla tre slutpunkterna, med strömning på var och en. Du byter inte SDK — du byter en bas-URL och ett modell-id.

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-dialekten; fungerar med OpenAI:s SDK:er och allt som bygger på dem.
• /v1/messages — Anthropic-dialekten, för kodbaser som redan är skrivna mot den formen.
• /v1/responses — gränssnittet i Responses-stil.

Stöds på den här modellen: strömning, inbyggda verktygsanrop, strikt strukturerad utdata med json_schema, response_format och reasoning_effort. Fullständig parameterreferens och en live-lekplats finns i API-dokumentationen.

10Ärliga begränsningar

Fyra saker att känna till innan du bygger på den:

• Ingen vision. Endast text; den tar inte emot bildindata på någon slutpunkt. Behöver du en ocensurerad modell som ser, använd Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 eller inkling.
• Utdatatak på 16 384 tokens. Resonemangstokens räknas mot det vid hög ansträngning, så en lång övervägning lämnar mindre plats åt svaret. Kedja förfrågningar för stora genereringsjobb.
• 3 bitar är en verklig komprimering. Referenssiffrorna beskriver grundmodellen, inte den här builden. För nivån med högst trohet bär W8A16-modellerna (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) minst kvantisering.
• Ocensurerat är inte konsekvensfritt. Inget vägranslager betyder att ansvaret för vad du frågar, och vad du gör med svaret, ligger hos dig — under våra användarvillkor och lagen där du verkar.

11Vanliga frågor

---

Källor: DeepSeek-AI — modellkort för DeepSeek-V4-Pro · Teknisk rapport för DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Teknisk rapport för DeepSeek-V3 · REAP the Experts (Cerebras Research) · Promptfoos censurgranskning · Discovering Forbidden Topics in Language Models. Benchmarksiffrorna är rapporterade av DeepSeek-AI för referensutgåvan; oberoende tredjepartsverifiering av den komprimerade builden är under arbete. Priserna är Shannon AI:s listpriser per den 5 september 2026.