API ya DeepSeek Bila Udhibiti

Watu wanaofika kwenye msemo "API ya DeepSeek bila udhibiti" wanataka kitu kimoja mahususi: modeli yenye uwezo wa hoja na uandishi msimbo wa DeepSeek ambayo inajibu swali walilouliza kweli. Nusu ya uwezo imeandikwa vizuri — DeepSeek-AI ilichapisha muundo na namba, na uzani upo Hugging Face chini ya MIT. Nusu ya pili ni uamuzi wa kiutendaji, na kwa kawaida unafanywa kwa niaba yako. Ukurasa huu unashughulikia zote mbili: msingi wa V4-Pro ni nini, ujenzi wetu wa 3BIT-REAP unaufanyia nini, na "bila udhibiti" kunamaanisha nini hasa tunaposema hivyo.

01"API ya DeepSeek bila udhibiti" inamaanisha nini hasa

Mifumo miwili tofauti inawekwa chini ya neno lilelile. Wa kwanza ni upangaji uliookwa ndani ya uzani — tabia ya kukataa iliyojifunzwa wakati wa mafunzo ya baadaye. Wa pili ni safu ya udhibiti upande wa uhudumiaji: kiainishi tofauti kinachochunguza kidokezo chako kabla modeli haijakiona na matokeo kabla wewe hujayaona, na kinachoweza kukata jibu katikati ya sentensi bila kujali modeli ilitaka kusema nini.

Vyote viwili vinaweza kupimwa, na huduma ya DeepSeek yenyewe imepimwa. Promptfoo ilikusanya seti ya vidokezo 1,360 vya maswali nyeti kisiasa na ikaripoti kwamba R1 iliyopangishwa na DeepSeek ilikataa au ilikwepa 1,156 kati yao — takriban 85%. Kazi ya kitaaluma juu ya familia ileile iligundua namna tofauti ya kushindwa ambayo waandishi waliiita ukandamizaji wa mawazo, ambapo mkondo wa hoja wa modeli unakoma karibu mara tu unapoanza kuhusu mada nyeti. Ukaguzi mwingine uliochapishwa katika Information Sciences ulirekodi ukandamizaji wa kiwango cha maana: maudhui yaliyopo ndani ya hoja ya ndani ya modeli yanayoachwa au kuandikwa upya kimyakimya kabla ya kumfikia mtumiaji. Hilo ni tatizo gumu zaidi kuliko kukataa waziwazi, kwa sababu jibu lililokatwa linaonekana kama jibu.

Kile tunachokiendesha ni toleo la uzani wazi, kwenye vifaa tunavyoviendesha wenyewe, nchini Marekani, chini ya Shannon Lab LLC. Hakuna safu ya kukataa mbele ya modeli na hakuna kichujio kinachotumika kwa kile kinachorudi: kidokezo chako hakiainishwi kwa sera kabla ya kuhudumiwa, na mkondo wa matokeo hauchunguzwi ukiwa njiani kutoka. Kwa kuwa msingi una leseni ya MIT na ni wa umma, unaweza kulinganisha matokeo yetu na uzani wa rejea mwenyewe badala ya kuamini neno letu.

02Msingi: DeepSeek-V4-Pro, MoE ya 1.6T

DeepSeek-V4 ni familia ya sasa ya uzani wazi ya DeepSeek-AI, iliyoonyeshwa mapema Aprili 2026 na kutolewa chini ya MIT kwa ukubwa mbili: V4-Flash (jumla 284B, 13B vinavyowashwa) na V4-Pro (jumla 1.6T, 49B vinavyowashwa). Makala hii inahusu daraja la Pro. Zote mbili zilifunzwa awali kwa takriban tokeni trilioni 33 na zote mbili zinaunga mkono kwa asili muktadha wa tokeni milioni moja.

Uwiano wa uchache ndicho cha kuzingatia: takriban asilimia 3 tu ya vigezo vinawaka kwa tokeni yoyote ile, ndicho kinachofanya modeli kubwa kiasi hiki iweze kuhudumiwa hata kidogo. Kizuizi cha MoE chenyewe bado ni DeepSeekMoE — wataalamu waliolekezwa kwa undani pamoja na wataalamu wa pamoja wanaowaka daima, walioanzishwa katika V2 — kikiwa na mabadiliko madogo tu ya V4, yanayoonekana zaidi katika uelekezaji wa hashi kwenye tabaka za mwanzo kabisa. Multi-Token Prediction, lengo saidizi la V3 ambalo pia linawezesha usimbuaji wa kubahatisha, limehifadhiwa bila kubadilika.

Vipande vipya katika V4 ni vya kimuundo. Manifold-Constrained Hyper-Connections (mHC) zinabadilisha njia sahili ya mabaki kwa matriki ya kuchanganya iliyojifunzwa, iliyobanwa kwenye manifold ya matriki za kistokastiki maradufu kupitia mradio wa Sinkhorn–Knopp — mkondo wa mabaki unaopima upya kwa kila ingizo bila mteremko wa kihesabu unaoua rundo refu sana. Mafunzo yalihama kutoka AdamW kwenda Muon kwa moduli nyingi, yakitumia uorthogonishaji wa Newton–Schulz, huku AdamW ikibaki kwa uwekaji-embedi, vichwa vya utabiri, usanifishaji na vigezo tuli vya mHC. Na uzani wa wataalamu unafunzwa kwa FP4 huku vigezo vingine vingi vikiwa FP8 — kuwa na ufahamu wa mbano tangu mwanzo, jambo linalohusu jinsi modeli inavyokubali mbano zaidi kwa upole.

03Kutoka MLA hadi CSA + HCA: jinsi DeepSeek inavyoweka muktadha mrefu nafuu

Mstari wa kuunganisha vizazi vinne vya DeepSeek si ukubwa, ni uchumi wa umakinifu. Kila toleo limeshambulia akiba ya KV, inayokua kwa mstari sambamba na muktadha na kutawala kumbukumbu kwenye urefu mkubwa.

• V2 ilianzisha Multi-head Latent Attention (MLA) — mbano wa pamoja wa cheo cha chini wa funguo na thamani kuwa vekta fiche, hivyo utengenezaji unahifadhi vekta hiyo pamoja na ufunguo wa RoPE uliotenganishwa badala ya K na V kamili kwa kila kichwa. DeepSeek iliripoti akiba ya KV ikishuka hadi takriban 4–14% ya umakinifu wa kawaida wa vichwa vingi, huku ubora ukibaki au ukiboreka.
• V3 ilipanua hilo hadi 671B, ikifanya MLA kuwa dhana ya kawaida ya muktadha mrefu nafuu katika modeli za wazi.
• V3.2 iliongeza DeepSeek Sparse Attention (DSA), ikichagua kikundi cha juu-k cha historia kwa kila hoja kupitia kiashiria chepesi badala ya kuhudhuria kila kitu.
• V4 inachanganya. Compressed Sparse Attention (CSA) kwanza inabana vipengele vya KV vya kila tokeni m kuwa kipengele kimoja kwa uzani uliojifunzwa, kisha inaendesha uteuzi wa juu-k mchache juu ya vipengele hivyo vilivyobanwa. Heavily Compressed Attention (HCA) inabana kwa nguvu zaidi lakini inabaki nzito juu ya matokeo. Aina hizo mbili za tabaka zinapishana ndani ya rundo, hivyo muhtasari wa jumla nafuu na uchukuaji sahihi wa ndani vinaishi pamoja.

Faida iliyoripotiwa kwenye muktadha wa tokeni milioni moja ni ya kushtua: V4-Pro inahitaji takriban 27% ya FLOPs za utambuzi kwa kila tokeni na 10% ya akiba ya KV ya V3.2. Ndiyo maana ombi la 262K linafanya kazi kama ombi la kawaida badala ya tukio la kumbukumbu, na ndiyo maana namba za uchukuaji wa muktadha mrefu zinasimama badala ya kuporomoka baada ya makumi machache ya maelfu ya tokeni.

04Kiambishi cha 3BIT-REAP kinamaanisha nini

Kitambulisho chetu cha katalogi kinaishia kwa 3BIT-REAP, na hicho kinaeleza hatua mbili huru za mbano zilizotumika kwa mpangilio.

REAP: kupogoa wataalamu, si kuwaunganisha

REAP ni Router-weighted Expert Activation Pruning, kutoka Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", iliyokubaliwa ICLR 2026. Katika MoE michache kielekezi hakitumii wataalamu wake sawasawa: mkia mrefu unateuliwa mara chache, kwa udhaifu, au vyote viwili. REAP inampima kila mtaalamu kwa kuchanganya thamani za lango la kielekezi (mara ngapi na kwa nguvu kiasi gani anachaguliwa) na kanuni za uwashaji wa mtaalamu (matokeo yake yanachangia kiasi gani), kisha inafuta walioshindwa kabisa.

Hoja ya karatasi ni kwamba kupogoa kunashinda kuunganisha: kuunganisha kunapiga wastani na kuondoa utaalamu maalum uliofanya MoE istahili kujengwa, huku kufuta wataalamu ambao kielekezi hakiwafikii kunauhifadhi. Katika modeli kuanzia 20B hadi 1T, REAP ilishinda kuunganisha na mbinu pinzani za kupogoa kwenye vipimo vya uzalishaji, na waandishi wanaripoti matokeo yaliyo karibu na kutopoteza chochote kwenye utengenezaji wa msimbo na kuita zana kwa upogoaji wa 50% wa wataalamu kwenye Qwen3-Coder-480B na Kimi-K2 — ambayo ndiyo hasa aina ya kazi ambayo modeli hii ipo kwa ajili yake.

Uzani wa biti 3: daraja la mbano kwa misingi mikubwa kuliko yote

Kinachonusurika kisha kinabanwa kuwa uzani wa biti 3. Biti tatu ni kali, na hatujifanyi vinginevyo: katika safu yote tunatumia W8A16 pale msingi ni mdogo wa kutosha kutohitaji mbano, W4A16-AUTOROUND-REAP katikati, na 3BIT-REAP kwa misingi mikubwa kuliko yote tu, ambapo ndiyo tofauti kati ya kuihudumia modeli na kutoihudumia.

Makubaliano yanastahili kusemwa wazi: MoE ya 1.6T ya biti 3 si sawa biti kwa biti na toleo la rejea, na gharama ndogo ya ubora ni halisi. Unachopata badala yake ni msingi ambao dari yake isiyobanwa iko juu mno kuliko chochote kinachotoshea kwa raha kwenye usahihi mkubwa zaidi — na kwa sababu wataalamu wa V4 walifunzwa kwa FP4 tangu mwanzo, modeli ina tabia nzuri isiyo ya kawaida chini ya mbano zaidi wa uzani. Kama unataka ujenzi wa DeepSeek wenye mguso mwepesi zaidi kwenye usahihi, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP inatumia uzani wa biti 4 pamoja na uwashaji wa biti 16 na uzungushaji uliojifunzwa wa AutoRound, kwenye muktadha uleule wa 262K kwa $0.50 ndani / $2.00 nje.

05Hoja, na kidhibiti cha reasoning_effort

Mafunzo ya baadaye ya V4 yanafunza wataalamu wa kila fani kando — hisabati, uandishi msimbo, mawakala, kufuata maagizo — kwa SFT ikifuatiwa na GRPO, mbinu ya Group Relative Policy Optimization ambayo DeepSeek iliianzisha na R1. Wataalamu hao kisha wanaunganishwa kuwa modeli moja kwa usafishaji wa sera-hai chini ya lengo la KL-kinyume, hivyo toleo moja la uzani linabeba tabia ya kiwango cha mtaalamu katika fani kadhaa kwa wakati mmoja badala ya kuwa mjumla asiye na ubora katika zote.

Modeli iliyotolewa inaonyesha hali za kufikiri zenye madaraja badala ya swichi ya mbili. Kwenye lango letu hicho ndicho kigezo cha kawaida cha reasoning_effort, kidhibiti kimoja chenye manufaa zaidi kwenye modeli hii:

• Low — kujibu karibu moja kwa moja: uainishaji, uchukuaji, uandishi upya, chochote ambapo unalipia maarifa ya modeli badala ya tafakuri yake.
• Medium — hali ya kawaida ya kufanya kazi kwa ukaguzi wa msimbo, utatuzi wa hitilafu na uchambuzi wa hatua nyingi.
• High — tafakuri ndefu kabla ya kujibu. Hapo ndipo matatizo magumu yanatatuliwa, na hapo ndipo bili yako ya tokeni za matokeo inapoishi, kwa kuwa tokeni za hoja zinatozwa kama matokeo.

Kwa kuwa hakuna safu ya kukataa, mkondo wa hoja haukatwi kwenye mada nyeti — mtindo wa ukandamizaji wa mawazo uliorekodiwa kwenye huduma ya asili hauna njia ya kutokea hapa.

06Msimbo na kazi za kiwakala: msingi unapata alama gani

Hizi ni namba zilizochapishwa na DeepSeek-AI wenyewe kwa toleo la V4-Pro — si zetu, na hazikupimwa kwenye ujenzi wetu uliobanwa. Tunazionyesha kwa sababu ndiyo sababu ya kweli ya kuchagua msingi huu, na tunazitaja kama za mtoaji mwenyewe ili uzipime ipasavyo.

Mbili zinastahili maelezo. SWE-bench Verified kwa 80.6% ni utatuzi wa masuala ya hazina halisi ya msimbo — kusoma msingi wa msimbo usioufahamu, kubaini kasoro, kutoa kiraka kinachopita majaribio ya mradi wenyewe. MRCR kwa tokeni milioni moja (83.5) ni uchukuaji wa marejeleo ya pamoja wa raundi nyingi kwa urefu kamili, namba inayokuambia dai la muktadha mrefu si la mapambo. DeepSeek pia inaripoti kiwango cha Codeforces cha 3206 kwa modeli hii, na 62.0 kwenye CorpusQA kwa muktadha wa 1M.

Namba zilizo hapo juu ziliripotiwa na DeepSeek-AI kwa toleo la rejea la DeepSeek-V4-Pro. Ujenzi wetu wa 3BIT-REAP ni tofauti iliyobanwa ya uzani huo na haujapimwa kwa kujitegemea kwenye kazi hizi; chukua alama za rejea kama dari ya msingi, si kama kipimo cha ncha hii.

07Muktadha wa 262K: kinachotoshea kweli

Modeli ya rejea imefunzwa kwa tokeni milioni moja. Tunahudumia 262,144 — dirisha ambalo kila modeli kwenye lango inalishiriki, hivyo kubadili modeli ni mabadiliko ya mstari mmoja na kamwe si kurudi nyuma kwa muktadha. Kiutendaji 262K ni zaidi ya kiwango ambapo muktadha unabana kwa kazi nyingi halisi:

Kazi	Tokeni takriban	Inatoshea katika 262K?
Hazina ya huduma ya wastani (mistari ~50k)	~600K	Hapana — chagua moduli
Mfumo-mdogo mmoja + majaribio yake	~60–120K	Ndiyo, kwa raha
Seti kamili ya RFC za itifaki	~150K	Ndiyo
Kitabu cha kiufundi cha kurasa 700	~250K	Ndiyo, karibu na kikomo
Mzunguko mrefu wa wakala, zamu 40+ za zana	~80–200K	Ndiyo

Kikomo cha kupanga nacho ni matokeo: tokeni 16,384 za juu kabisa kwa kila jibu. Hiyo ni hati ndefu au kiraka kikubwa cha faili nyingi, lakini si msingi mzima wa msimbo. Kazi kubwa za uzalishaji zinafanywa kwa kuunganisha maombi mfululizo huku matokeo ya awali yakirudishwa kwenye muktadha — jambo ambalo dirisha la 262K linalifanya nafuu — badala ya kuomba ukamilishaji mmoja mkubwa mno.

08Bei, na V4-Pro inakaa wapi ndani ya safu

Kwa $1.95 ndani / $3.90 nje kwa tokeni milioni, V4-Pro ni daraja kinara la hoja — modeli unayoifikia tatizo linapokuwa gumu. Linapokuwa kubwa tu, modeli nafuu zaidi kwenye dirisha lilelile la 262K zitalifanya kwa robo ya bei.

Modeli isiyodhibitiwa	Ndani / 1M	Nje / 1M	Uoni	Inafaa zaidi kwa
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Hapana	Hoja ngumu, msimbo, mawakala
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Hapana	Ukoo uleule, kiasi kikubwa
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Hapana	Mfanyakazi wa kazi za jumla
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ndiyo	Mawakala wa hali ya juu wa aina nyingi
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ndiyo	Uoni nafuu kuliko wote

Tukiwa wanyoofu kuhusu ulinganisho ambao watu watafanya kweli: API ya DeepSeek yenyewe ni nafuu kuliko hii — V4-Pro ya asili inaorodhesha takriban $0.435 ndani / $0.87 nje, na bei yao ya ingizo linalopatikana kwenye akiba iko chini zaidi. Kama bei kwa kila tokeni ndicho kigezo chako pekee na tabia ya udhibiti haiathiri kazi yako, tumia API ya asili; tungependelea kukuambia hivyo kuliko ugundue baadaye. Malipo ya ziada yananunua sifa tofauti: hakuna safu ya kukataa na hakuna kichujio cha matokeo, mwendeshaji wa Marekani chini ya Shannon Lab LLC, toleo la uzani lililobandikwa lenye tarehe (0813) ili uboreshaji wa kimyakimya kutoka juu usibadilishe matokeo yako katikati ya mradi, lahaja tatu za API dhidi ya modeli moja, na dirisha lilelile la 262K na vigezo vilevile katika modeli zote kumi na mbili za safu.

09Kuiita: lahaja tatu, modeli moja

Kila modeli kwenye lango inajibu kwenye ncha zote tatu, ikitiririsha kwenye kila moja. Hutumii SDK mpya — unabadilisha URL ya msingi na kitambulisho cha modeli.

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 — lahaja ya OpenAI; inafanya kazi na SDK za OpenAI na chochote kilichojengwa juu yake.
• /v1/messages — lahaja ya Anthropic, kwa misingi ya msimbo iliyokwisha andikwa kwa umbo hilo.
• /v1/responses — kiolesura cha mtindo wa Responses.

Vinavyoungwa mkono kwenye modeli hii: utiririshaji, kuita zana kwa asili, matokeo makini yenye muundo ya json_schema, response_format, na reasoning_effort. Marejeo kamili ya vigezo na uwanja hai wa majaribio vipo kwenye nyaraka za API.

10Mipaka ya kweli

Mambo manne ya kujua kabla hujajenga juu yake:

• Hakuna uoni. Maandishi pekee; haitakubali picha kama ingizo kwenye ncha yoyote. Kama unahitaji modeli isiyodhibitiwa inayoona, tumia Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 au inkling.
• Dari ya matokeo ya tokeni 16,384. Tokeni za hoja zinahesabiwa dhidi yake kwa juhudi ya juu, hivyo tafakuri ndefu inaacha nafasi ndogo kwa jibu. Unganisha maombi mfululizo kwa kazi kubwa za uzalishaji.
• Biti 3 ni mbano halisi. Alama za rejea zinaeleza msingi, si ujenzi huu. Kwa daraja lenye uaminifu wa juu kabisa, modeli za W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) zina mbano mdogo kuliko zote.
• Bila udhibiti si bila matokeo. Kutokuwepo kwa safu ya kukataa kunamaanisha wajibu kwa unachouliza, na unachofanya na jibu, unakaa kwako — chini ya masharti yetu ya huduma na sheria pale unapofanyia kazi.

11Maswali yanayoulizwa mara kwa mara

---

Vyanzo: DeepSeek-AI — kadi ya modeli ya DeepSeek-V4-Pro · Ripoti ya kiufundi ya DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Ripoti ya kiufundi ya DeepSeek-V3 · REAP the Experts (Cerebras Research) · Ukaguzi wa udhibiti wa Promptfoo · Discovering Forbidden Topics in Language Models. Namba za vipimo ziliripotiwa na DeepSeek-AI kwa toleo la rejea; uthibitishaji huru wa pande tatu wa ujenzi uliobanwa bado unasubiriwa. Bei ni bei za orodha za Shannon AI kufikia tarehe 5 Septemba 2026.