தணிக்கையற்ற DeepSeek API

“தணிக்கையற்ற DeepSeek API” என்ற சொற்றொடரை அடைபவர்கள் ஒரே ஒரு குறிப்பிட்ட விஷயத்தை விரும்புகிறார்கள்: DeepSeek இன் சிந்தனை மற்றும் நிரலாக்கத் திறனுடன், அவர்கள் உண்மையில் கேட்ட கேள்விக்குப் பதிலளிக்கும் ஒரு மாதிரி. திறன் தொடர்பான பாதி நன்கு ஆவணப்படுத்தப்பட்டுள்ளது — DeepSeek-AI கட்டமைப்பையும் எண்களையும் வெளியிட்டது, எடைகள் MIT உரிமத்தில் Hugging Face இல் உள்ளன. இரண்டாவது பாதி ஒரு இயக்க முடிவு, பொதுவாக அது உங்களுக்காக வேறொருவரால் எடுக்கப்படுகிறது. இந்தப் பக்கம் இரண்டையும் உள்ளடக்குகிறது: V4-Pro அடித்தளம் என்ன, எங்கள் 3BIT-REAP கட்டமைப்பு அதற்கு என்ன செய்கிறது, மேலும் “தணிக்கையற்றது” என்று நாங்கள் சொல்லும்போது அது சரியாக எதைக் குறிக்கிறது.

01“தணிக்கையற்ற DeepSeek API” என்றால் உண்மையில் என்ன

ஒரே சொல்லின் கீழ் இரண்டு வெவ்வேறு பொறிமுறைகள் அடங்குகின்றன. முதலாவது எடைகளுக்குள்ளேயே சுட்டுவைக்கப்பட்ட சீரமைப்பு — பயிற்சிக்குப் பிந்தைய கட்டத்தில் கற்றுக்கொள்ளப்பட்ட மறுப்பு நடத்தை. இரண்டாவது ஒரு சேவைப் பக்க மட்டுப்படுத்தல் அடுக்கு: மாதிரி உங்கள் வினவலைப் பார்ப்பதற்கு முன்பே அதையும், நீங்கள் பார்ப்பதற்கு முன்பே வெளியீட்டையும் ஆய்வு செய்யும் ஒரு தனி வகைப்படுத்தி; மாதிரி என்ன சொல்ல விரும்பினாலும் ஒரு பதிலை நடுவாக்கியத்திலேயே வெட்டிவிட முடியும்.

இரண்டையும் அளவிட முடியும், DeepSeek இன் நேரடிச் சேவை அளவிடப்பட்டுள்ளது. Promptfoo அரசியல் ரீதியாக உணர்திறன் மிக்க 1,360 வினவல்களைத் தொகுத்து, DeepSeek இன் ஹோஸ்ட் செய்யப்பட்ட R1 அவற்றில் 1,156 ஐ மறுத்தது அல்லது திசைதிருப்பியது என்று அறிவித்தது — தோராயமாக 85%. அதே குடும்பத்தின் மீதான கல்வி ஆய்வுகள், ஆசிரியர்கள் சிந்தனை அடக்கம் என்று அழைத்த ஒரு தனித்துவமான தோல்வி முறையைக் கண்டறிந்தன; அதில் ஒரு உணர்திறன் மிக்க தலைப்பில் மாதிரியின் சிந்தனைத் தடம் தொடங்கிய உடனேயே முடிந்துவிடுகிறது. Information Sciences இல் வெளியிடப்பட்ட தனி ஒரு தணிக்கை சொற்பொருள் மட்ட அடக்கத்தை ஆவணப்படுத்தியது: மாதிரியின் உள் சிந்தனையில் இருக்கும் உள்ளடக்கம், பயனரை அடைவதற்கு முன்பே அமைதியாக விடுபடுகிறது அல்லது மறுஎழுதப்படுகிறது. வெளிப்படையான மறுப்பை விட இது கடினமான பிரச்சினை, ஏனெனில் துண்டிக்கப்பட்ட ஒரு பதில் ஒரு பதிலைப் போலவே தோன்றுகிறது.

நாங்கள் இயக்குவது திறந்த-எடை வெளியீடு, நாங்கள் இயக்கும் வன்பொருளில், அமெரிக்காவில், Shannon Lab LLC இன் கீழ். மாதிரிக்கு முன்னால் எந்த மறுப்புப் படையும் இல்லை, திரும்பி வருவதற்கு எந்த வடிகட்டியும் பயன்படுத்தப்படவில்லை: உங்கள் வினவல் வழங்கப்படும் முன் கொள்கைக்காக வகைப்படுத்தப்படுவதில்லை, வெளியீட்டு ஓடை வெளியே வரும் வழியில் ஆய்வு செய்யப்படுவதில்லை. அடித்தளம் MIT உரிமத்தில் பொதுவில் இருப்பதால், எங்கள் சொல்லை நம்புவதற்குப் பதிலாக, மேற்கோள் எடைகளுடன் எங்கள் வெளியீடுகளை நீங்களே ஒப்பிட்டுப் பார்க்கலாம்.

02அடித்தளம்: DeepSeek-V4-Pro, ஒரு 1.6T MoE

DeepSeek-V4 என்பது DeepSeek-AI இன் தற்போதைய திறந்த-எடைக் குடும்பம், ஏப்ரல் 2026 இல் முன்னோட்டமாகக் காட்டப்பட்டு, MIT உரிமத்தில் இரண்டு அளவுகளில் வெளியிடப்பட்டது: V4-Flash (மொத்தம் 284B, செயல்பாட்டில் 13B) மற்றும் V4-Pro (மொத்தம் 1.6T, செயல்பாட்டில் 49B). இந்தக் கட்டுரை Pro அடுக்கைப் பற்றியது. இரண்டுமே தோராயமாக 33 டிரில்லியன் டோக்கன்களில் முன்பயிற்சி பெற்றவை, இரண்டுமே ஒரு மில்லியன் டோக்கன் சூழலை இயல்பாகவே ஆதரிக்கின்றன.

கவனிக்க வேண்டியது சிதறல் விகிதம்: எந்த ஒரு டோக்கனுக்கும் அளபுருக்களில் சுமார் 3% மட்டுமே இயங்குகின்றன, இவ்வளவு பெரிய ஒரு மாதிரியை வழங்கவே முடியும்படி செய்வது அதுவே. MoE தொகுதி இன்னும் DeepSeekMoE ஆகவே இருக்கிறது — V2 இல் அறிமுகப்படுத்தப்பட்ட நுண்ணிய திசைதிருப்பப்பட்ட நிபுணர்களும், எப்போதும் இயங்கும் பகிரப்பட்ட நிபுணர்களும் — சிறு V4 மாற்றங்களுடன், மிகத் தெளிவாக ஆரம்ப அடுக்குகளில் ஹாஷ் ரவுட்டிங். ஊக டிகோடிங்கையும் சாத்தியமாக்கும் V3 இன் துணை நோக்கமான Multi-Token Prediction மாறாமல் தக்கவைக்கப்பட்டுள்ளது.

V4 இல் புதிய பகுதிகள் கட்டமைப்பு சார்ந்தவை. Manifold-Constrained Hyper-Connections (mHC) வெற்று எஞ்சிய பாதையை, Sinkhorn–Knopp முன்னிலைப்படுத்தல் வழியாக இரட்டைச் சீரான அணிகளின் பன்மடிப்பில் கட்டுப்படுத்தப்பட்ட ஒரு கற்றுக்கொள்ளப்பட்ட கலப்பு அணியால் மாற்றுகின்றன — மிக ஆழமான அடுக்குகளைக் கொல்லும் எண்ணியல் விலகல் இல்லாமல், உள்ளீட்டுக்கு ஏற்ப மறு எடையிடும் ஒரு எஞ்சிய ஓடை. பயிற்சி AdamW இலிருந்து விலகி, பெரும்பாலான தொகுதிகளுக்கு Newton–Schulz ஆர்த்தோகனலாக்கத்தைப் பயன்படுத்தி Muon க்கு மாறியது; உட்பொதிப்புகள், முன்கணிப்புத் தலைகள், இயல்பாக்கம், நிலையான mHC அளபுருக்கள் ஆகியவற்றுக்கு மட்டுமே AdamW வைக்கப்பட்டது. மேலும் நிபுணர் எடைகள் FP4 இல் பயிற்றுவிக்கப்படுகின்றன, மற்ற பெரும்பாலான அளபுருக்கள் FP8 இல் — தொடக்கத்திலிருந்தே குவாண்டைசேஷன் விழிப்புடன்; மேலதிக சுருக்கத்தை மாதிரி எவ்வளவு நேர்த்தியாக ஏற்கிறது என்பதற்கு இது முக்கியம்.

03MLA இலிருந்து CSA + HCA வரை: நீண்ட சூழலை DeepSeek எப்படி மலிவாக வைத்திருக்கிறது

நான்கு தலைமுறைகளாக DeepSeek இன் தொடர்ச்சியான கருப்பொருள் அளவு அல்ல, கவனப் பொருளாதாரம். ஒவ்வொரு பதிப்பும் KV தேக்ககத்தையே தாக்கியுள்ளது; அது சூழலுடன் நேர்கோட்டில் வளர்ந்து, நீண்ட நீளங்களில் நினைவகத்தை ஆக்கிரமிக்கிறது.

• V2 Multi-head Latent Attention (MLA) ஐ அறிமுகப்படுத்தியது — சாவிகளையும் மதிப்புகளையும் ஒரு மறைநிலை திசையனாக இணைந்த குறை-தர சுருக்கம் செய்வது, எனவே உருவாக்கம் ஒவ்வொரு தலைக்குமான முழு K, V க்குப் பதிலாக அந்தத் திசையனையும் ஒரு பிரிக்கப்பட்ட RoPE சாவியையும் தேக்கிவைக்கிறது. நிலையான பல-தலைக் கவனத்துடன் ஒப்பிடும்போது KV தேக்ககம் தோராயமாக 4–14% ஆகக் குறைந்ததாகவும், தரம் தக்கவைக்கப்பட்டது அல்லது மேம்பட்டது என்றும் DeepSeek அறிவித்தது.
• V3 அதை 671B ஆக விரிவாக்கியது, திறந்த மாதிரிகளில் மலிவான நீண்ட சூழலுக்கு MLA ஐ இயல்பான அனுமானமாக்கியது.
• V3.2 DeepSeek Sparse Attention (DSA) ஐச் சேர்த்தது — அனைத்தையும் கவனிப்பதற்குப் பதிலாக, ஒரு லேசான குறியீட்டாளர் வழியாக ஒவ்வொரு வினவலுக்கும் வரலாற்றின் top-k துணைத்தொகுப்பைத் தேர்ந்தெடுப்பது.
• V4 கலப்பினமாக்குகிறது. Compressed Sparse Attention (CSA) முதலில் ஒவ்வொரு m டோக்கன்களின் KV உள்ளீடுகளையும் கற்றுக்கொள்ளப்பட்ட எடைகளுடன் ஒரே உள்ளீடாகச் சுருக்குகிறது, பிறகு அந்தச் சுருக்கப்பட்ட உள்ளீடுகள் மீது சிதறிய top-k தேர்வை இயக்குகிறது. Heavily Compressed Attention (HCA) மிக அதிக ஆக்ரோஷமாகச் சுருக்குகிறது, ஆனால் முடிவின் மீது அடர்த்தியாகவே இருக்கிறது. இரண்டு அடுக்கு வகைகளும் அடுக்கு முழுவதும் மாறி மாறி இடம்பெறுகின்றன, எனவே மலிவான உலகளாவிய சுருக்கமும் துல்லியமான உள்ளூர் மீட்டெடுப்பும் ஒன்றாக இருக்கின்றன.

ஒரு மில்லியன் டோக்கன் சூழலில் அறிவிக்கப்பட்ட பலன் தெளிவானது: V3.2 இன் ஒரு டோக்கனுக்கான அனுமான FLOPs இல் சுமார் 27% ம், KV தேக்ககத்தில் 10% ம் மட்டுமே V4-Pro க்குத் தேவை. அதனால்தான் ஒரு 262K கோரிக்கை ஒரு நினைவக நிகழ்வாக அல்லாமல் ஒரு சாதாரண கோரிக்கையாகவே நடந்துகொள்கிறது, மேலும் நீண்ட சூழல் மீட்டெடுப்பு எண்கள் சில பத்தாயிரம் டோக்கன்களைக் கடந்ததும் சரிவதற்குப் பதிலாக நிலைத்திருக்கின்றன.

043BIT-REAP பின்னொட்டு எதைக் குறிக்கிறது

எங்கள் அட்டவணை அடையாளம் 3BIT-REAP இல் முடிகிறது, அது வரிசையாகப் பயன்படுத்தப்படும் இரண்டு தனித்தனி சுருக்கப் படிகளை விவரிக்கிறது.

REAP: நிபுணர்களை ஒன்றிணைப்பது அல்ல, கத்தரிப்பது

REAP என்பது Router-weighted Expert Activation Pruning, Cerebras Research இலிருந்து — “REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”, ICLR 2026 இல் ஏற்கப்பட்டது. ஒரு சிதறிய MoE இல் ரவுட்டர் தன் நிபுணர்களைச் சமமாகப் பயன்படுத்துவதில்லை: ஒரு நீண்ட வால் அரிதாகவோ, பலவீனமாகவோ, அல்லது இரண்டுமாகவோ தேர்ந்தெடுக்கப்படுகிறது. REAP ஒவ்வொரு நிபுணரையும் ரவுட்டர் கேட் மதிப்புகளையும் (எவ்வளவு அடிக்கடி, எவ்வளவு வலுவாகத் தேர்ந்தெடுக்கப்படுகிறது) நிபுணர் செயல்படுத்தல் நெறிகளையும் (அதன் வெளியீடு எவ்வளவு பங்களிக்கிறது) இணைத்து மதிப்பிடுகிறது, பிறகு தோற்பவர்களை முற்றிலுமாக நீக்குகிறது.

கத்தரிப்பு ஒன்றிணைப்பை விடச் சிறந்தது என்பதே கட்டுரையின் வாதம்: ஒன்றிணைப்பு, MoE ஐக் கட்டுவதற்கு மதிப்பளித்த செயல்பாட்டுத் தனித்துவத்தைச் சராசரியாக்கி அழிக்கிறது; ரவுட்டர் அரிதாகவே அடையும் நிபுணர்களை நீக்குவது அதைப் பாதுகாக்கிறது. 20B முதல் 1T வரையிலான மாதிரிகள் முழுவதும், உருவாக்க வரையறைகளில் REAP ஒன்றிணைப்பையும் போட்டி கத்தரிப்பு முறைகளையும் விஞ்சியது; Qwen3-Coder-480B, Kimi-K2 ஆகியவற்றில் 50% நிபுணர் கத்தரிப்பில் நிரல் உருவாக்கத்திலும் கருவி அழைப்பிலும் கிட்டத்தட்ட இழப்பற்ற முடிவுகளை ஆசிரியர்கள் அறிவிக்கிறார்கள் — இந்த மாதிரி இங்கே இருப்பதற்கான வேலைச்சுமை வடிவமும் சரியாக அதுவே.

3-பிட் எடைகள்: மிகப் பெரிய அடித்தளங்களுக்கான சுருக்க அடுக்கு

எஞ்சுபவை பிறகு 3-பிட் எடைகளாகக் குவாண்டைஸ் செய்யப்படுகின்றன. மூன்று பிட் ஆக்ரோஷமானது, அதை மறைக்க நாங்கள் முயலவில்லை: வரிசை முழுவதும், அடித்தளம் இறுக்கம் தேவைப்படாத அளவுக்குச் சிறியதாக இருக்கும் இடத்தில் W8A16 ஐயும், நடுவில் W4A16-AUTOROUND-REAP ஐயும், மிகப் பெரிய அடித்தளங்களில் மட்டுமே 3BIT-REAP ஐயும் பயன்படுத்துகிறோம் — அங்கே அது மாதிரியை வழங்குவதற்கும் வழங்காமல் இருப்பதற்கும் இடையிலான வித்தியாசம்.

சமரசத்தை நேரடியாகச் சொல்வது மதிப்புடையது: ஒரு 3-பிட் 1.6T MoE மேற்கோள் வெளியீட்டுடன் பிட்-அளவில் ஒத்ததல்ல, ஒரு சிறு தர இழப்பு உண்மையானது. அதற்குப் பதிலாக உங்களுக்குக் கிடைப்பது என்னவென்றால், சுருக்கப்படாத நிலையில் இந்த அடித்தளத்தின் உச்சம், அதிக துல்லியத்தில் வசதியாகப் பொருந்தும் எதையும் விட வெகு உயரத்தில் இருக்கிறது — மேலும் V4 இன் நிபுணர்கள் தொடக்கத்திலிருந்தே FP4 இல் பயிற்றுவிக்கப்பட்டதால், மேலதிக எடைச் சுருக்கத்தின் கீழ் மாதிரி வழக்கத்திற்கு மாறாக நன்கு நடந்துகொள்கிறது. துல்லியத்தில் இலகுவான தொடுதலுடன் ஒரு DeepSeek கட்டமைப்பு உங்களுக்கு வேண்டும் என்றால், DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 16-பிட் செயல்படுத்தல்களுடன் 4-பிட் எடைகளையும் AutoRound இன் கற்றுக்கொள்ளப்பட்ட வட்டமிடலையும் பயன்படுத்துகிறது, அதே 262K சூழலில், உள்ளே $0.50 / வெளியே $2.00 விலையில்.

05சிந்தனை, மற்றும் reasoning_effort கட்டுப்பாடு

V4 இன் பிந்தைய பயிற்சி துறை நிபுணர்களைத் தனித்தனியாகப் பயிற்றுவிக்கிறது — கணிதம், நிரலாக்கம், முகவர்கள், அறிவுறுத்தல் பின்பற்றல் — SFT க்குப் பிறகு GRPO, அதாவது R1 உடன் DeepSeek அறிமுகப்படுத்திய Group Relative Policy Optimization முறை. பிறகு அந்த நிபுணர்கள், தலைகீழ்-KL நோக்கத்தின் கீழ் on-policy வடித்தல் மூலம் ஒரே மாதிரியாக ஒன்றிணைக்கப்படுகிறார்கள்; எனவே ஒரே ஒரு சோதனைப்புள்ளி, அனைத்திலும் சுமாராக இருக்கும் ஒரு பொதுவாதியாக இல்லாமல், பல துறைகளில் ஒரே நேரத்தில் நிபுணர் தர நடத்தையைச் சுமக்கிறது.

வெளியிடப்பட்ட மாதிரி ஒரு இரும நிலை சுவிட்ச்சுக்குப் பதிலாகப் படிநிலைச் சிந்தனை முறைகளை வெளிப்படுத்துகிறது. எங்கள் நுழைவாயிலில் அது நிலையான reasoning_effort அளபுரு, இந்த மாதிரியின் மிகப் பயனுள்ள ஒற்றைக் கட்டுப்பாடு:

• Low — கிட்டத்தட்ட நேரடியான பதிலளிப்பு: வகைப்படுத்தல், பிரித்தெடுத்தல், மறுஎழுதுதல், மாதிரியின் ஆழ்ந்த ஆய்வுக்கு அல்ல, அதன் அறிவுக்குப் பணம் செலுத்தும் எதுவும்.
• Medium — நிரல் மறுஆய்வு, பிழைத்திருத்தம், பல-படி பகுப்பாய்வுக்கான இயல்பான வேலை முறை.
• High — பதிலளிப்பதற்கு முன் நீண்ட ஆழ்ந்த ஆய்வு. கடினமான பிரச்சினைகள் தீர்க்கப்படும் இடம், மேலும் உங்கள் வெளியீட்டு டோக்கன் கட்டணம் இருக்கும் இடம், ஏனெனில் சிந்தனை டோக்கன்கள் வெளியீடாகவே கட்டணமிடப்படுகின்றன.

மறுப்புப் படை இல்லாததால், உணர்திறன் மிக்க பொருள் குறித்து சிந்தனைத் தடம் துண்டிக்கப்படுவதில்லை — நேரடிச் சேவையில் ஆவணப்படுத்தப்பட்ட சிந்தனை-அடக்க முறை இங்கே நிகழ எந்தப் பொறிமுறையும் இல்லை.

06நிரலாக்கமும் முகவர் வேலையும்: அடித்தளம் என்ன மதிப்பெண் பெறுகிறது

இவை V4-Pro வெளியீட்டுக்காக DeepSeek-AI தானே வெளியிட்ட எண்கள் — எங்களுடையவை அல்ல, எங்கள் குவாண்டைஸ் செய்யப்பட்ட கட்டமைப்பில் அளக்கப்பட்டவையும் அல்ல. இந்த அடித்தளத்தைத் தேர்ந்தெடுப்பதற்கான நேர்மையான காரணம் அவைதான் என்பதால் அவற்றைக் காட்டுகிறோம், மேலும் அவற்றை நீங்கள் அதற்கேற்ப எடைபோட முடியும்படி நேரடி மூலம் என்று குறிக்கிறோம்.

இரண்டு எண்கள் விளக்கம் தேவைப்படுகின்றன. SWE-bench Verified இல் 80.6% என்பது உண்மையான களஞ்சியப் பிரச்சினைத் தீர்வு — அறிமுகமில்லாத ஒரு நிரல் தளத்தைப் படித்து, குறைபாட்டைக் கண்டறிந்து, திட்டத்தின் சொந்தச் சோதனைகளில் தேர்ச்சி பெறும் ஒரு திருத்தத்தை உருவாக்குவது. ஒரு மில்லியன் டோக்கனில் MRCR (83.5) என்பது முழு நீளத்தில் பல-சுற்று இணைச்சுட்டு மீட்டெடுப்பு; நீண்ட சூழல் கூற்று அலங்காரம் அல்ல என்று சொல்லும் எண் அதுவே. மாதிரிக்கு 3206 Codeforces மதிப்பீட்டையும், 1M சூழலில் CorpusQA இல் 62.0 ஐயும் DeepSeek அறிவிக்கிறது.

மேலே உள்ள எண்கள் DeepSeek-V4-Pro மேற்கோள் வெளியீட்டுக்காக DeepSeek-AI அறிவித்தவை. எங்கள் 3BIT-REAP கட்டமைப்பு அந்த எடைகளின் சுருக்கப்பட்ட வடிவம், இந்தப் பணிகளில் அது சுயாதீனமாக வரையறுக்கப்படவில்லை; மேற்கோள் மதிப்பெண்களை இந்த இறுதிப்புள்ளியின் அளவீடாக அல்ல, அடித்தளத்தின் உச்சவரம்பாகவே கருதுங்கள்.

07262K சூழல்: உண்மையில் என்ன பொருந்தும்

மேற்கோள் மாதிரி ஒரு மில்லியன் டோக்கன்களுக்குப் பயிற்றுவிக்கப்பட்டது. நாங்கள் 262,144 ஐ வழங்குகிறோம் — நுழைவாயிலில் உள்ள ஒவ்வொரு மாதிரியும் பகிரும் அதே சாளரம், எனவே மாதிரிகளை மாற்றுவது ஒரு வரி மாற்றம், ஒருபோதும் சூழல் பின்னடைவு அல்ல. நடைமுறையில், பெரும்பாலான உண்மையான வேலைகளுக்குச் சூழல் தடையாக இருக்கும் புள்ளியைத் தாண்டியது 262K:

வேலைச்சுமை	தோராய டோக்கன்கள்	262K இல் பொருந்துமா?
நடுத்தர சேவைக் களஞ்சியம் (~50k வரிகள்)	~600K	இல்லை — தொகுதிகளைத் தேர்ந்தெடுங்கள்
ஒரு துணை அமைப்பு + அதன் சோதனைகள்	~60–120K	ஆம், வசதியாக
ஒரு நெறிமுறைக்கான முழு RFC தொகுப்பு	~150K	ஆம்
700 பக்கத் தொழில்நுட்ப நூல்	~250K	ஆம், வரம்புக்கு அருகில்
நீண்ட முகவர் இயக்கம், 40+ கருவிச் சுற்றுகள்	~80–200K	ஆம்

திட்டமிட வேண்டிய வரம்பு வெளியீடு: ஒரு பதிலுக்கு அதிகபட்சம் 16,384 டோக்கன்கள். அது ஒரு நீண்ட ஆவணம் அல்லது கணிசமான பல-கோப்பு திருத்தம், ஆனால் ஒரு முழு நிரல் தளம் அல்ல. பெரிய உருவாக்க வேலைகள், ஒரே மாபெரும் நிறைவைக் கேட்பதன் மூலம் அல்ல, முந்தைய வெளியீட்டைச் சூழலுக்குள் திரும்பக் கொண்டுவந்து கோரிக்கைகளைத் தொடர்ச்சியாக இணைப்பதன் மூலமே செய்யப்படுகின்றன — 262K சாளரம் அதை மலிவாக்குகிறது.

08விலை, மற்றும் வரிசையில் V4-Pro எங்கே நிற்கிறது

ஒரு மில்லியன் டோக்கனுக்கு உள்ளே $1.95 / வெளியே $3.90 என்ற விலையில், V4-Pro முதன்மைச் சிந்தனை அடுக்கு — பிரச்சினை கடினமாக இருக்கும்போது நீங்கள் நாடும் மாதிரி. அது வெறுமனே பெரியதாக மட்டும் இருக்கும்போது, அதே 262K சாளரத்தில் மலிவான மாதிரிகள் கால் விலையில் அதைச் செய்துவிடும்.

தணிக்கையற்ற மாதிரி	உள்ளே / 1M	வெளியே / 1M	பார்வை	எதற்குச் சிறந்தது
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	இல்லை	கடினமான சிந்தனை, நிரலாக்கம், முகவர்கள்
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	இல்லை	அதே வம்சாவளி, அதிக அளவு
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	இல்லை	பொது நோக்க உழைப்பாளி
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	ஆம்	உயர்நிலை பலவகை ஊடக முகவர்கள்
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	ஆம்	மிக மலிவான பார்வை

மக்கள் உண்மையில் செய்யப்போகும் ஒப்பீட்டைப் பற்றி நேரடியாகச் சொல்கிறோம்: DeepSeek இன் சொந்த API இதை விட மலிவானது — நேரடி V4-Pro இன் விலைப்பட்டியல் சுமார் உள்ளே $0.435 / வெளியே $0.87, அவர்களின் தேக்கக-வெற்றி உள்ளீட்டு விலை அதனினும் குறைவு. ஒரு டோக்கனுக்கான விலை மட்டுமே உங்கள் அளவுகோல் என்றால், மட்டுப்படுத்தல் நடத்தை உங்கள் வேலையைப் பாதிக்கவில்லை என்றால், நேரடி API ஐப் பயன்படுத்துங்கள்; நீங்கள் பின்னால் கண்டுபிடிப்பதை விட நாங்களே இதைச் சொல்லிவிடுவோம். கூடுதல் தொகை வேறொரு பண்புத் தொகுப்பை வாங்குகிறது: மறுப்புப் படை இல்லை, வெளியீட்டு வடிகட்டி இல்லை, Shannon Lab LLC இன் கீழ் ஒரு அமெரிக்க இயக்குநர், பொருத்தப்பட்ட தேதியிட்ட ஒரு சோதனைப்புள்ளி (0813) — எனவே ஒரு அமைதியான மேல்நிலை மேம்படுத்தல் உங்கள் திட்டத்தின் நடுவில் உங்கள் வெளியீடுகளை மாற்றுவதில்லை, ஒரே மாதிரிக்கு எதிராக மூன்று API வகைகள், மேலும் வரிசையில் உள்ள பன்னிரண்டு மாதிரிகள் முழுவதும் அதே 262K சாளரமும் அதே அளபுரு பரப்பும்.

09அதை அழைப்பது: மூன்று வகைகள், ஒரு மாதிரி

நுழைவாயிலில் உள்ள ஒவ்வொரு மாதிரியும் மூன்று இறுதிப்புள்ளிகளிலும் பதிலளிக்கிறது, ஒவ்வொன்றிலும் ஸ்ட்ரீமிங்குடன். நீங்கள் ஒரு புதிய SDK ஐ ஏற்கவில்லை — ஒரு அடிப்படை URL ஐயும் ஒரு மாதிரி அடையாளத்தையும் மாற்றுகிறீர்கள்.

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 வகை; OpenAI SDK களுடனும் அவற்றின் மேல் கட்டப்பட்ட எதனுடனும் வேலை செய்கிறது.
• /v1/messages — Anthropic வகை, ஏற்கெனவே அந்த வடிவத்திற்கு எழுதப்பட்ட நிரல் தளங்களுக்கு.
• /v1/responses — Responses பாணி இடைமுகம்.

இந்த மாதிரியில் ஆதரிக்கப்படுபவை: ஸ்ட்ரீமிங், நேரடி கருவி அழைப்பு, கண்டிப்பான json_schema கட்டமைக்கப்பட்ட வெளியீடு, response_format, மேலும் reasoning_effort. முழு அளபுரு குறிப்பும் நேரடி விளையாட்டுத் திடலும் API ஆவணங்களில் உள்ளன.

10நேர்மையான வரம்புகள்

இதன் மேல் கட்டுவதற்கு முன் தெரிந்துகொள்ள வேண்டிய நான்கு விஷயங்கள்:

• பார்வை இல்லை. உரை மட்டுமே; எந்த இறுதிப்புள்ளியிலும் இது பட உள்ளீட்டை ஏற்காது. பார்க்கக்கூடிய ஒரு தணிக்கையற்ற மாதிரி உங்களுக்குத் தேவைப்பட்டால், Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 அல்லது inkling ஐப் பயன்படுத்துங்கள்.
• 16,384 டோக்கன் வெளியீட்டு உச்சவரம்பு. அதிக முயற்சியில் சிந்தனை டோக்கன்களும் அதற்குள்ளேயே கணக்கிடப்படுகின்றன, எனவே நீண்ட ஆழ்ந்த ஆய்வு பதிலுக்குக் குறைவான இடத்தையே விட்டுவைக்கிறது. பெரிய உருவாக்க வேலைகளுக்குக் கோரிக்கைகளைத் தொடர்ச்சியாக இணையுங்கள்.
• 3-பிட் என்பது உண்மையான சுருக்கம். மேற்கோள் மதிப்பெண்கள் அடித்தளத்தை விவரிக்கின்றன, இந்தக் கட்டமைப்பை அல்ல. மிக உயர்ந்த நம்பகத்தன்மை அடுக்குக்கு, W8A16 மாதிரிகள் (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) மிகக் குறைந்த குவாண்டைசேஷனைச் சுமக்கின்றன.
• தணிக்கையின்மை என்பது விளைவற்றது அல்ல. மறுப்புப் படை இல்லை என்றால், நீங்கள் என்ன கேட்கிறீர்கள், அந்தப் பதிலைக் கொண்டு என்ன செய்கிறீர்கள் என்பதற்கான பொறுப்பு உங்களிடமே இருக்கிறது — எங்கள் சேவை விதிமுறைகளின் கீழும், நீங்கள் இயங்கும் இடத்தின் சட்டத்தின் கீழும்.

11அடிக்கடி கேட்கப்படும் கேள்விகள்

---

மூலங்கள்: DeepSeek-AI — DeepSeek-V4-Pro மாதிரி அட்டை · DeepSeek-V4 தொழில்நுட்ப அறிக்கை (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 தொழில்நுட்ப அறிக்கை · REAP the Experts (Cerebras Research) · Promptfoo தணிக்கை ஆய்வு · Discovering Forbidden Topics in Language Models. வரையறை எண்கள் மேற்கோள் வெளியீட்டுக்காக DeepSeek-AI அறிவித்தவை; சுருக்கப்பட்ட கட்டமைப்பின் சுயாதீன மூன்றாம் தரப்பு சரிபார்ப்பு நிலுவையில் உள்ளது. விலைகள் செப்டம்பர் 5, 2026 நிலவரப்படி Shannon AI இன் பட்டியல் விலைகள்.