API ya DeepSeek Flash bila udhibiti

Timu nyingi zinazotathmini API ya LLM zinaboresha kigezo kisicho sahihi. Zinapima kwa vidokezo ishirini vigumu kuliko vyote wanavyoweza kuvifikiria, zinachagua mshindi, na zinagundua wiki sita baadaye kwamba asilimia tisini na tano ya trafiki yao ni kazi fupi, yenye muundo, inayojirudia ambayo modeli inayogharimu robo yake ingeishughulikia vivyo hivyo. DeepSeek-V4-Flash ipo kwa asilimia tisini na tano hiyo. Ukurasa huu unahusu kujua lini uko ndani yake — na lini huko.

01Unachopata hasa

Sifa	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Kitambulisho cha modeli	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Muktadha / matokeo ya juu kabisa	tokeni 262,144 / tokeni 16,384
Bei kwa 1M (ingizo / matokeo)	$0.50 / $2.00
Utiririshaji · kuita zana · hoja	Ndiyo — lahaja zote tatu
Matokeo yenye muundo	json_schema na response_format
Ingizo la picha (uoni)	Hapana — maandishi pekee
Safu ya kukataa / kichujio cha matokeo	Hakuna
Inahudumiwa kwenye	kundi la GPU la Shannon lenyewe

Lahaja tatu za API zinafikia uzani uleule: /v1/chat/completions (umbo la OpenAI), /v1/messages (umbo la Anthropic), na /v1/responses. Utiririshaji unafanya kazi kwenye zote tatu. Marejeo kamili ya vigezo yapo kwenye nyaraka za API.

02Inatoka wapi: ukoo wa DeepSeek

DeepSeek-AI imetumia vizazi vitano vya modeli kwenye msisimko mmoja: kupata tabia ya mstari wa mbele kutoka modeli iliyo nafuu kuhudumiwa, si tu nafuu kufunzwa. Karibu kila uamuzi wa kimuundo kwenye mstari huu unarudi kwa hilo, na muhimu kati yake vimechapishwa. Vitatu vinaeleza unachokiita unapogonga ncha hii.

DeepSeekMoE — wataalamu wa daraja jembamba pamoja na mmoja anayeshirikiwa

Tabaka la Mixture-of-Experts linabadilisha mtandao mmoja mkubwa wa feed-forward na mingi midogo pamoja na kielekezi kinachochagua wachache kwa kila tokeni. Aina ya DeepSeek inakata wataalamu kwa wembamba zaidi kuliko mpangilio wa kawaida wa wataalamu wanane, hivyo FLOPs zilezile zinazowashwa zinanunua mchanganyiko mahususi zaidi kwa mchanganyo, na inatenga mtaalamu anayeshirikiwa ambaye kila tokeni inampitia, hivyo maarifa ya kawaida hayajifunzwi upya kwa marudio ndani ya kila bingwa. DeepSeek-V3 ilitoa hilo kama wataalamu 256 wanaoelekezwa pamoja na mtaalamu 1 anayeshirikiwa, ikiwasha 8 wanaoelekezwa kwa kila tokeni — jumla ya vigezo bilioni 671, bilioni 37 vinavyowaka — pamoja na usawazishaji wa mzigo usio na hasara ya ziada: badala ya kigezo cha adhabu kinachoshusha ubora, upendeleo wa kila mtaalamu unasukuma alama za uelekezaji juu au chini kila hatua kadri mtaalamu huyo anavyoendesha akiwa na mzigo mdogo au mkubwa kupita kiasi.

MLA — attention inayotoshea kwenye kumbukumbu

Nusu nyingine ya tatizo la gharama ya kuhudumia ni akiba ya KV, inayokua kwa mstari sambamba na muktadha na inayotawala kumbukumbu kwenye urefu mrefu wa mfuatano. Multi-head Latent Attention, iliyoingizwa katika DeepSeek-V2, inabana funguo na thamani kwa pamoja kuwa vekta fiche ya daraja la chini na inaweka hiyo kwenye akiba, ikijenga upya K/V zinazotumika papo hapo. Namba zilizochapishwa za V2 za DeepSeek, dhidi ya DeepSeek 67B yao ya awali mnene, zinaripoti punguzo la 93.3% la akiba ya KV na upitishaji wa juu kabisa wa uzalishaji mara 5.76 zaidi. Ndiyo sababu dirisha la tokeni 262K ni la kawaida kwenye familia hii badala ya kuwa nyongeza ya ziada ya bei.

Attention nyembamba — na mfano wa tokeni nafuu

V3.2-Exp iliongeza DeepSeek Sparse Attention: kifaharasa chepesi kinatoa alama kwa tokeni za muktadha dhidi ya swali, na kichaguzi kinabakiza zile zenye alama za juu pekee. Sehemu ya kuvutia ni risiti, si mfumo. DeepSeek ilichapisha ulinganisho wa upande kwa upande dhidi ya V3.1-Terminus ikiwa na MMLU-Pro inayofanana kwa 85.0, AIME 2025 juu (88.4 → 89.3), SWE-bench Verified chini kidogo (68.4 → 67.8) — ubora tambarare kimsingi — na ikakata bei zao za API kwa zaidi ya 50% siku ileile. Muundo, ulioripotiwa kwa ukweli, ukigeuka moja kwa moja kuwa bei. Flash ni hoja hiyo iliyochukuliwa hatua moja zaidi.

Kizazi cha V4

V4, iliyoonyeshwa mapema Aprili 2026 chini ya leseni ya MIT, inabadilisha tena rundo la attention na uchangamano wa Compressed Sparse Attention na Heavily Compressed Attention, inafunza kwa kiboreshaji cha Muon kwenye zaidi ya tokeni 32T, na inaweka lengo la utabiri wa tokeni nyingi la V3 — ambalo linafanya kazi pia kama usimbuaji wa kubahatisha, na ambalo DeepSeek ilipima kwa kiwango cha kukubalika cha tokeni ya pili cha 85–90% kwa kasi ya usimbuaji ya takriban mara 1.8 katika V3. Muhtasari wa V4 unaripoti V4-Pro ikiendesha kwa 27% ya FLOPs za uendeshaji za tokeni moja za V3.2 na 10% ya akiba yake ya KV. Familia inaweka wazi viwango vitatu vya juhudi ya hoja, ndicho kigezo chetu cha reasoning_effort kinachoelekea.

Vyanzo: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Ripoti ya Kiufundi ya DeepSeek-V3 (arXiv 2412.19437) · kadi ya modeli ya DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Namba zote zimeripotiwa na DeepSeek.

03"Flash" inamaanisha nini hasa

Hii ndiyo nukta ambayo ulinganisho mwingi unaikosea, hivyo inafaa kusemwa wazi: Flash ya DeepSeek si Pro iliyobanwa, iliyopogolewa au iliyonakiliwa. Ni modeli ya Mixture-of-Experts iliyofunzwa kivyake, ndogo zaidi, yenye kipindi chake cha mafunzo ya awali. Karatasi ya onyesho la V4 inatoa ukubwa wote wawili:

Namba kutoka karatasi ya onyesho la DeepSeek-V4. Vituo rasmi tunavyovihudumia — V4-Flash-0731 na V4-Pro-0813 — vinaorodhesha jumla kubwa kidogo za 304B na 1.7T kwenye kadi zao za modeli; DeepSeek hairudii kutaja vigezo vinavyowaka kwa ujenzi huo.

Namba mbili zinafanya kazi hapa. Jumla ya vigezo inapanga alama ya kumbukumbu, inayoamua maunzi kiasi gani nakala ya modeli inaikalia. Vigezo vinavyowaka vinapanga hesabu kwa kila tokeni, inayoamua upitishaji. Flash ni takriban ndogo mara 5.6 kwenye la kwanza na mara 3.8 kwenye la pili — na kuna undani unaostahili kuonwa ndani ya pengo hilo: Flash inawasha bilioni 13 kati ya 284, takriban 4.6%, wakati Pro inawasha bilioni 49 kati ya 1,600, takriban 3.1%. Flash ndiyo modeli iliyo nyembamba kidogo zaidi. Si Pro tu yenye wataalamu wachache waliowashwa; ni muundo mnene zaidi, uliosawazishwa tofauti, unaotumia sehemu kubwa zaidi yake kwenye kila tokeni inayoizalisha. Huo ni uchaguzi halisi wa uhandisi, si kushushwa daraja.

Namba za DeepSeek zenyewe zinasema nini

Kadi zote mbili rasmi za modeli zinachapisha alama kwenye vipimo vilevile vya kiwakala na vya uhandisi wa programu, jambo linalofanya huu kuwa ulinganisho safi kwa namna isiyo ya kawaida — maabara ileile, kiunzi kilekile cha tathmini, ukubwa mbili:

Kipimo (kimeripotiwa na 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 inashinda kila safu. Hicho ndicho kichwa cha habari cha kweli, na tungependelea ukisome hapa badala ya kukigundua kwenye uzalishaji. Lakini soma tofauti, kwa sababu ndizo unazozinunua hasa. Kwenye Terminal Bench 2.1 pengo ni pointi 5.2 kwenye modeli yenye moja ya ishirini na tano ya vigezo; kwenye matumizi ya zana ni pointi 3.8. Pengo linapanuka pale kazi inapokuwa ya kina zaidi — pointi 8.3 kwenye DeepSWE, 7.3 kwenye NL2Repo, vyote vinavyozawadia hoja endelevu ya msimbo ya hatua nyingi. Hilo ndilo umbo la badiliko ndani ya jedwali moja: Flash inafunga umbali mwingi kwenye kazi zenye mipaka na inatoa nafasi kwenye zisizo na mwisho.

Kadi ya Flash ya DeepSeek yenyewe inasema hoja hiyo kwa ukali zaidi bado: Flash-0731 inaipita onyesho la V4-Pro kwenye vipimo vilivyoorodheshwa licha ya idadi yake ndogo zaidi kwa mbali ya vigezo vinavyowaka. Modeli ndogo mpya ikishinda kubwa ya zamani ni hali ya kawaida kwenye uwanja huu, na ndiyo sababu "daraja kubwa zaidi" halipaswi kamwe kuwa jibu lako la kawaida.

04Kusoma kiambishi: W4A16-AUTOROUND-REAP

Vitambulisho vyetu vya modeli vinatamka mpango wao wa mbano kwa sauti, kwa sababu ndicho kitu kinachoathiri zaidi ubora wa matokeo na karibu hakuna anayekifichua. Hiki kinagawanyika katika madai matatu.

W4A16 — uzani wa biti 4, uwashaji wa biti 16

Uzani unahifadhiwa kwa biti 4 kila mmoja; uwashaji unapita kwa usahihi wa biti 16. Huu ni mbano wa uzani pekee, na unalenga kizuizi halisi cha uzalishaji wa tokeni, ambacho ni upana wa njia ya kumbukumbu badala ya hesabu. Kubana uwashaji pia kungenunua kasi kidogo zaidi na kuhatarisha mteremko mkubwa zaidi wa usahihi; kuuacha kwa biti 16 ni uchaguzi wa kihafidhina, wenye uaminifu wa juu. Nukuu ni ufupisho wa mfumo wa kuhudumia — fasihi ya mbano inaandika kitu kilekile kama W4 pamoja na ukubwa wa kundi.

AUTOROUND — mviringisho uliojifunza, si mviringisho wa karibu zaidi

Mbano rahisi unaviringisha kila uzani hadi thamani ya karibu zaidi inayoweza kuwakilishwa. Hilo si bora kwa dhahiri: kuviringisha uzani mmoja kwa njia "isiyo sahihi" kunaweza kufuta kosa lililoingizwa na majirani zake, na kwa uzani wa mabilioni mwingiliano huo unatawala. AutoRound, kutoka Intel, inachukua uamuzi wa kuviringisha wenyewe kama kitu cha kujifunza — mtikisiko unaofunzwa kwa kila uzani uliozuiliwa hadi ±0.5, kiasi hasa cha kugeuza uamuzi wowote mmoja wa kuviringisha na kamwe si zaidi, pamoja na maeneo ya kukata yanayojifunzwa, ukiboreshwa kwa mteremko wa gredienti wenye alama dhidi ya lengo la kujenga upya matokeo kwa kila kitalu juu ya seti ndogo ya urekebishaji. Hatua mia mbili, kisha imekwisha.

Ulinganisho uliochapishwa wa Intel una AutoRound ikiipita GPTQ katika 30 kati ya matukio 32 yaliyopimwa, AWQ katika 27 kati ya 32 na OmniQuant katika 29 kati ya 32 kwenye mipangilio ya uzani-pekee ya biti 4, ikiwa na faida juu ya mviringisho rahisi wa karibu zaidi ya pointi 6.9 hadi 33.2 za usahihi kwa biti 2. Hakuna kati ya hayo kinachogharimu chochote wakati wa uendeshaji: ni uchaguzi bora wa namba, uliofanywa mara moja, nje ya mtandao.

REAP — kuwaondoa wataalamu ambao hakuna anayewaelekezea

REAP (Router-weighted Expert Activation Pruning), kutoka Cerebras Systems na Chuo Kikuu cha Calgary, ni mbano wa pigo moja kwa modeli za MoE. Unampa kila mtaalamu alama kwa nguvu na mara ngapi kielekezi kinamfungulia, ukizidishwa na ukubwa wa matokeo ya mtaalamu huyo, kisha unafuta wataalamu wenye umuhimu mdogo kabisa moja kwa moja — bila mafunzo upya baadaye.

Ugunduzi mkuu wa karatasi ndio wenye manufaa: kwenye uwiano mkubwa wa mbano, kupogoa wataalamu kunashinda kuwaunganisha. Kuunganisha wataalamu tofauti kiutendaji kunasababisha kile waandishi wanachokiita kuporomoka kwa nafasi ndogo ya kiutendaji — kielekezi kinapoteza udhibiti wa daraja jembamba, unaotegemea ingizo, uliofanya MoE istahili kujengwa, na kinabaki kikiendesha kati ya wastani tuli. Namba zao katika modeli kutoka vigezo bilioni 20 hadi trilioni 1: kwa mbano wa wataalamu wa 25% kwenye kazi za kuandika msimbo, REAP inapoteza wastani wa 2.8% wa usahihi ambapo misingi ya kuunganisha inapoteza zaidi ya 5%; kwa 50%, REAP inapoteza 8.0% ambapo kuunganisha kunapoteza zaidi ya 20%. Kwenye Qwen3-Coder-480B kwa upogoaji wa 50% kushuka ni 1.4%, dhidi ya 39.3% kwa upogoaji rahisi unaotegemea marudio. Cerebras imechapisha vituo vya REAP kwa mstari wa DeepSeek miongoni mwa vingine.

Kwa nini biti 4 hapa na biti 3 kwenye Pro

Madaraja yote mawili yanapaswa kutoshea na kubaki ya kasi kwenye kundi lilelile la maunzi. Pro inabeba vigezo trilioni 1.7, hivyo inahitaji matibabu makali zaidi ya biti 3 ili itoshee kabisa. Flash inabeba takriban bilioni 300, hivyo haihitaji — na biti inayookoa inatumika kwa uaminifu badala ya kwa kutoshea.

Biti hiyo ya ziada inahusu zaidi ya hesabu yake inavyodokeza, kwa sababu uharibifu wa mbano si wa mstari. Katika vipimo vya WikiText-2 vya karatasi ya AWQ, Llama-2-7B inatoka kwenye ugumu wa 5.47 kwa FP16 hadi 5.60 kwa biti 4 — adhabu ya 2.4% — lakini hadi 6.24 kwa biti 3, adhabu ya 14%. Hiyo ni takriban mara sita ya uharibifu kwa mbano wa 25% zaidi, na mchoro uleule unashikilia kwa 70B. Karatasi ya GPTQ ni ya moja kwa moja zaidi bado: kwa biti 3, mviringisho rahisi wa karibu zaidi unaporomoka kwenye modeli za daraja la 175B, hadi maelfu ya ugumu, huku ukibaki unaotumika kikamilifu kwa biti 4. Chini ya biti nne, algoriti nzuri ya mbano inaacha kuwa uzuri wa hiari na inakuwa kitu pekee kinachoshikilia modeli pamoja.

Hivyo usomaji wa kweli wa viambishi hivi viwili ni: Flash inakaa karibu zaidi na nafsi yake isiyobanwa kuliko Pro inavyokaa na yake. Pro bado ndiyo modeli imara zaidi — jedwali la vipimo hapo juu linatatua hilo. Ni kwamba tu ilitoa zaidi ili kufika hapa, na unalipa kwa fursa hiyo.

Vyanzo: 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. Namba za ugumu kutoka AWQ (arXiv 2306.00978) na GPTQ (arXiv 2210.17323).

05Flash dhidi ya Pro kwenye ncha

Sehemu ya 03 ilifunika misingi. Hivi ndivyo madaraja mawili yanavyoonekana kama bidhaa kwenye lango letu:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Mbano	W4A16-AUTOROUND-REAP	3BIT-REAP
Usahihi wa uzani	biti 4, mviringisho uliojifunza	biti 3
Msingi (jumla / vinavyowaka)	~304B / 13B	~1.7T / 49B
Ingizo kwa tokeni 1M	$0.50	$1.95
Matokeo kwa tokeni 1M	$2.00	$3.90
Muktadha / matokeo ya juu kabisa	262,144 / 16,384	262,144 / 16,384
Zana · matokeo yenye muundo · utiririshaji	Ndiyo	Ndiyo
Uoni	Hapana	Hapana
Safu ya kukataa	Hakuna	Hakuna

Angalia kisichobadilika: muktadha, dari ya matokeo, kuita zana, matokeo yenye muundo, na kutokuwepo kwa safu ya kukataa vinafanana. Vitu pekee vinavyohama ni msingi, mbano, na bei. Hilo linafanya kubadili kati yake kuwa badiliko la mfuatano mmoja ndani ya msimbo wako na uamuzi wa kiuchumi tu ndani ya usanifu wako.

Mwito mmoja wa ukubwa wa juu kabisa unagharimu kiasi gani

Jaza muktadha wote wa tokeni 262,144 na uchukue matokeo kamili ya tokeni 16,384:

Kwa bei ya orodha. Flash: $0.131 ingizo + $0.033 matokeo. Pro: $0.511 + $0.064. Uwiano mara 3.51. Flash pia inashiriki sakafu ya $0.50 / $2.00 na MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro na Hy3 — ona katalogi kamili kwa jinsi hizo zinavyotofautiana kwenye uoni na matokeo yenye muundo.

06Hesabu ya kiasi kikubwa, iliyofanyiwa kazi

"Nafuu mara 3.9" ni kweli kwenye ingizo pekee. Kwenye matokeo Flash ni nafuu mara 1.95. Akiba yako halisi kwa hivyo inategemea uwiano wako wa ingizo kwa matokeo, na mtawanyiko ni mpana kiasi cha kubadilisha maamuzi ya muundo. Mizigo minne halisi ya kazi, kila mmoja kwa maombi 100,000:

Mzigo wa kazi	Ndani / nje kwa mwito	Flash	Pro	Akiba
Uainishaji wa tiketi	1,200 / 120	$84	$281	3.3×
Kujibu maswali kwa RAG	8,000 / 600	$520	$1,794	3.4×
Muhtasari wa hati ndefu	60,000 / 1,500	$3,300	$12,285	3.7×
Uzalishaji wa data bandia	500 / 2,000	$425	$878	2.1×

Mchoro: kadri unavyosukuma muktadha zaidi na kuzalisha maandishi kidogo, ndivyo Flash inavyokuokoa zaidi. Mabomba ya uchukuaji, upangaji wa hati, uchambuzi wa kumbukumbu na nakala za mazungumzo, na uchukuaji wa muktadha mrefu ndipo mahali pazuri kabisa — vinatawaliwa na ingizo kwa daraja la ukubwa, na ingizo ndipo punguzo la mara 3.9 lilipo. Kama badala yake mzigo wako wa kazi ni kidokezo kifupi kinachozalisha maelfu ya tokeni za maandishi, pengo linapungua hadi takriban mara 2 na hoja ya uwezo kwa Pro inakuwa imara zaidi kwa uwiano huo.

Kipande kingine cha hesabu kinachostahili kukiweka ndani: kwa $0.50 kwa tokeni milioni za ingizo, dirisha lote la tokeni 262,144 linagharimu senti 13.1 kujaza. Kudokeza kwa muktadha mrefu kunaacha kuwa swali la bajeti kwa bei hiyo, jambo ambalo wakati mwingine linamaanisha unaweza kuruka kujenga safu ya uchukuaji kabisa na kuacha dirisha la muktadha lifanye kazi — akiba ya uhandisi juu ya akiba ya tokeni.

07"Bila udhibiti" kunamaanisha nini hapa, kwa usahihi

Neno linatumika kwa uzembe, hivyo hii hapa fasili yetu, iliyoelezwa kama sifa ya ncha: hakuna kiainishi cha kukataa mbele ya modeli na hakuna kuchuja maudhui kunakotumika kwenye matokeo yake. Hakuna kinachonasa kidokezo na kurudisha kukataa kulikoandaliwa; hakuna kinachokagua ukamilishaji na kukifuta. Kwa kazi ya uzalishaji ya kiasi kikubwa matokeo ni ya kushtua kidogo na yenye manufaa zaidi kuliko neno linavyodokeza:

• Hakuna alama za uongo kwenye trafiki isiyo na madhara. Ncha zilizochujwa mara kwa mara zinakataa muhtasari wa kimatibabu, maandishi ya usalama, ugunduzi wa kisheria, hadithi, vifaa vya kupunguza madhara na kazi ya usimamizi wa maudhui yenyewe — hasa makundi ambapo kazi ya kundi inachakata maandishi kuhusu mada nyeti badala ya kuzalisha kitu chenye madhara. Kwenye maombi laki moja, kiwango cha kukataa kwa uongo cha asilimia moja ni safu elfu moja zilizovunjika.
• Mikataba ya uhakika. Omba jibu la json_schema na unapata JSON inayolingana na muundo, si aya ya kuomba radhi mahali kitu kilipopaswa kuwa. Kichanganuzi chako hakihitaji tawi la kukataa, na mantiki yako ya kujaribu tena hailazimiki kutofautisha kushindwa kwa usafirishaji na kwa sera.
• Unamiliki sera. Hilo ndilo badiliko. Kama bidhaa yako inahitaji kinga kwa watumiaji wako wa mwisho, unazijenga kwenye safu yako, ambapo unawajua watumiaji wako na mamlaka yako, badala ya kurithi ubashiri wa mtoaji kuhusu vyote viwili. Akaunti yako inabaki ikisimamiwa na Sera yetu ya Matumizi ya Kuwajibika.

Bila udhibiti si sawa na bila upatanishi au bila msaada. Modeli bado inafuata maelekezo na bado inaheshimu kidokezo cha mfumo. Kama unataka ikatae makundi fulani kwa watumiaji wako, sema hivyo hapo — maelekezo hayo sasa ni yako kuyaandika badala ya yetu kuyalazimisha.

08Uwezo na mipaka ya kweli

Uwezo mbili unabeba uzito mwingi kwa kazi ya kiasi kikubwa. Matokeo makali ya json_schema yanageuza ukamilishaji kuwa safu ya hifadhidata bila safu ya kuchanganua na bila tawi la kukataa. Kuita zana kwenye lahaja zote tatu kunafanya Flash kuwa injini yenye busara kwa hatua ndogo nafuu za wakala ambaye mpangaji wake wa ngazi ya juu anaendesha kwenye modeli imara zaidi. Ongeza reasoning_effort, inayokuruhusu kutumia tokeni za ziada kwenye sehemu ya trafiki inayozihitaji pekee, na muktadha wa tokeni 262,144 unaofanana na wa Pro — hutoi muktadha kwa kuchagua daraja nafuu, jambo lisilo la kawaida.

Mipaka ni ya wazi vivyo hivyo:

• Hakuna uoni. Flash ni ya maandishi pekee na itakataa sehemu za picha ndani ya ujumbe. Kwa picha kwenye modeli isiyodhibitiwa kwenye sakafu ileile ya $0.50 / $2.00, MiniMax-M3 na MiMo-V2.5 ndizo chaguo zenye uwezo wa uoni; Kimi-K2.6 na Kimi-K3 ni modeli imara zaidi za uoni juu ya daraja hilo.
• Si kilele cha ngazi. Namba za DeepSeek zenyewe zinaiweka Pro mbele kwenye kila kipimo cha kiwakala kilichochapishwa, pengo likiwa pana kuliko pote kwenye hoja endelevu ya msimbo ya hatua nyingi. Pale jibu moja baya linapogharimu zaidi ya elfu moja nafuu, tumia $1.45 za ziada kwa milioni kwenye DeepSeek-V4-Pro.
• Tokeni 16,384 za matokeo kwa kila ombi. Uzalishaji mrefu unapaswa kugawanywa vipande katika miito. Hii ni dari ileile kwenye kila modeli tunayoihudumia, na inabana kabla ya dirisha la muktadha kwa mbali.

09Kuiita

Elekeza mteja yeyote anayeoana na OpenAI kwenye lango na ubadilishe mfuatano wa modeli. Hakuna kingine ndani ya rundo lako kinachopaswa kuhama.

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
        }
      }
    }
  }'

Kitambulisho kilekile cha modeli kinafanya kazi bila mabadiliko kwenye /v1/messages na /v1/responses, ndiyo njia ya haraka kuliko zote ya kufanya jaribio la A/B la modeli nafuu chini ya uunganishaji uliopo bila kuandika upya mteja wako. Vigezo, maumbo ya matukio ya utiririshaji, miundo ya kuita zana na mipaka ya kiwango vimeandikwa ndani ya marejeo ya API; kila modeli ndani ya katalogi imeorodheshwa kwenye Utafiti wa Shannon.

10Maswali yanayoulizwa mara kwa mara

---

Vyanzo: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Ripoti ya Kiufundi ya DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · kadi za modeli za DeepSeek-V4-Flash-0731 na DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Namba zote za msingi na za vipimo ni kama zilivyochapishwa na waandishi wao husika; bei za Shannon AI na muktadha unaohudumiwa ni thamani zetu za orodha kufikia Septemba 2026.