ብዘይ ሳንሱር DeepSeek API

እቶም ናብ ሓረግ "ብዘይ ሳንሱር DeepSeek API" ዝመጹ ሓደ ፍሉይ ነገር ይደልዩ፦ ሞዴል ናይ DeepSeek ናይ ኣተሓሳስባን ኮድን ክእለት ዘለዎ፡ ነቲ ብሓቂ ዝሓተትካዮ ሕቶ ዝምልስ። እቲ ናይ ክእለት ክፋል ብደንቢ ዝተሓትመ እዩ — DeepSeek-AI ነቲ ስነ-ህንጻን ቁጽርታትን ኣውጺኡ፡ እቶም ክብደታት ድማ ኣብ Hugging Face ብትሕቲ MIT ኣለዉ። እቲ ካልኣይ ክፋል ናይ ኣካያዲ ውሳነ እዩ፡ መብዛሕትኡ ግዜ ድማ ንዓኻ ዝውሰን እዩ። እዚ ገጽ ንክልቲኡ ይሽፍን፦ እቲ ፈጻሚ ሞዴል V4-Pro እንታይ ምዃኑ፡ እቲ ናትና 3BIT-REAP ህንጻ እንታይ ከምዝገብረሉ፡ ከምኡ’ውን "ብዘይ ሳንሱር" ክንብል ከለና ልክዕ እንታይ ማለትና ምዃኑ።

01"ብዘይ ሳንሱር DeepSeek API" ብሓቂ እንታይ ማለት ምዃኑ

ክልተ ዝተፈላለዩ ኣገባባት ኣብ ትሕቲ ሓደ ቃል ይምደቡ። እቲ ቀዳማይ ኣብ ክብደታት ዝተጎልበበ ስምምዕ እዩ — ኣብ ግዜ ድሕሪ-ስልጠና ዝተመሃረ ባህርይ ምንጻግ። እቲ ካልኣይ ድማ ኣብ ጎኒ ኣገልግሎት ዘሎ ናይ ምቁጽጻር ንብሪ እዩ፦ ሓደ ፍሉይ classifier ንፕሮምፕትካ ቅድሚ እቲ ሞዴል ምርኣዩ ዝምርምር ከምኡ’ውን እቲ ውጽኢት ቅድሚ ንስኻ ምርኣይካ ዝምርምር፡ ብዘይገድስ እቲ ሞዴል እንታይ ክብል ደልዩ ነይሩ ንመልሲ ኣብ ማእከል ሓረግ ክቖርጾ ዝኽእል።

ክልቲኡ ክልካዓ ዝከኣል እዩ፡ ናይ DeepSeek ናይ ገዛእ ርእሱ ኣገልግሎት ድማ ተለኪዑ እዩ። Promptfoo ናይ 1,360-ፕሮምፕት ስብስብ ፖለቲካዊ ተነቃፍነት ዘለዎም ሕቶታት ኣዳልያ፡ ናይ DeepSeek ዝተአንገደ R1 1,156 ካብኦም ከምዝነጸገ ወይ ከምዘግለሰ ሓቢራ — ብግምት 85%። ኣብ ተመሳሳሊ ስድራ ዝተኻየደ ኣካዳሚያዊ ስራሕ ሓደ ፍሉይ ናይ ዝንቡል ኣገባብ ረኺቡ፡ ደረስቲ ድማ thought suppression ኢሎም ሰመይዎ፡ ኣብኡ ናይ ሞዴል ኣሰር ኣተሓሳስባ ኣብ ተነቃፊ ኣርእስቲ ብዳርጋ ልክዕ ካብ ዝጅምር ንድሕሪት ይውዳእ። ካልእ ኣብ Information Sciences ዝተሓትመ መርመራ ትርጉማዊ ጭቆና ሰነደ፦ ትሕዝቶ ኣብ ውሽጣዊ ኣተሓሳስባ ናይቲ ሞዴል ዘሎ ግና ቅድሚ ናብ ተጠቃማይ ምብጽሑ ብህድኣት ዝሕደግ ወይ ዝጽሓፍ። እዚ ካብ ቀጥታዊ ንጻገ ዝኸበደ ጸገም እዩ፡ ምኽንያቱ ሓደ ዝተቖርጸ መልሲ ከም መልሲ ይረአ።

ንሕና ንፈጽሞ እቲ ክፉት-ክብደት ልቓቕ እዩ፡ ኣብ ናይ ገዛእ ርእስና ሃርድዌር፡ ኣብ ሕቡራት መንግስታት፡ ብትሕቲ Shannon Lab LLC። ኣብ ቅድሚ እቲ ሞዴል ዝኾነ ሽፋን ምንጻግ የልቦን፡ ኣብቲ ዝምለስ ድማ ዝኾነ ምጽራይ ኣይግበርን፦ ፕሮምፕትካ ቅድሚ ምቕራቡ ብፖሊሲ ኣይምደብን፡ እቲ ናይ ውጽኢት ዋሕዚ ድማ ኣብ መገዱ ኣይምርመርን። ስለቲ ፈጻሚ ሞዴል ብMIT ፍቓድ ዝወጸ ህዝባዊ ስለዝኾነ፡ ንናትና ውጽኢት ምስ ናይ ማዕዶ ክብደታት ባዕልኻ ከተነጻጽር ትኽእል፡ ብቓልና ጥራይ ከየመንካ።

02እቲ ፈጻሚ ሞዴል፦ DeepSeek-V4-Pro፡ ሓደ 1.6T MoE

DeepSeek-V4 እታ ህልው ክፉት-ክብደት ስድራ ናይ DeepSeek-AI እያ፡ ብኤፕሪል 2026 ቅድመ-ርኢት ዝተገብረላ፡ ብትሕቲ MIT ኣብ ክልተ መጠናት ዝወጸት፦ V4-Flash (284B ጠቕላላ፡ 13B ንጡፍ) ከምኡ’ውን V4-Pro (1.6T ጠቕላላ፡ 49B ንጡፍ)። እዚ ዓንቀጽ ብዛዕባ ደረጃ Pro እዩ። ክልቲኦም ኣብ ብግምት 33 ትሪልዮን ቶክናት ቅድመ-ሰልጠኑ፡ ክልቲኦም ድማ ብተፈጥሮኦም ንሓደ-ሚልዮን-ቶክን ኮንተክስት ይድግፉ።

እቲ ናይ ንፍትፍት ደረጃ እዩ ክትዕዘቦ ዘለካ ነገር፦ ብግምት 3% ናይቶም ፓራሜተራት ጥራይ ኣብ ዝኾነ ቶክን ይንጡፍ፡ እዚ ድማ እዩ ንሓደ ኸምዚ ዝኣክል ዓቢ ሞዴል ክቐርብ ዝኽእል ዝገብሮ። እቲ ናይ MoE ብሪ ባዕሉ ኣይተቐየረን፡ ገና DeepSeekMoE እዩ — እቶም ውቁባት ዝተመርሑ ክኢላታት ምስ ወትሩ-ንጡፋት ዝተጋርዱ ክኢላታት ኣብ V2 ዝተኣታተዉ — ምስ ውሑድ ናይ V4 ለውጥታት ደኣ፡ ኣብ ዝበዝሐ ተራእዩ ኣብ ዝቐደሙ ንብርታት hash routing። Multi-Token Prediction፡ እታ ናይ V3 ተወሳኺት ዕላማ speculative decoding እውን ዘፍቅድ፡ ብዘይ ለውጢ ተሓዚያ ኣላ።

እቶም ሓደስቲ ክፋላት ኣብ V4 ስነ-ህንጻዊ እዮም። Manifold-Constrained Hyper-Connections (mHC) ነቲ ንቡር residual path ብሓደ ዝተመሃረ mixing matrix ይትክእዎ፡ ብ Sinkhorn–Knopp projection ኣብ manifold ናይ doubly stochastic matrices ዝተደረተ — ናይ residual stream ንነፍስ ወከፍ ኣታዊ ብዘይ እቲ ንኣዝዩ ዓሙቕ ደርብታት ዝቐትል ቁጽራዊ ምንሸራተት ዳግም ዘመዛዝን። ስልጠና ካብ AdamW ናብ Muon ንመብዛሕትኡ ብሪታት ሰጊሩ፡ Newton–Schulz orthogonalization ተጠቒሙ፡ AdamW ግና ንembeddings, prediction heads, normalization ን ደው ዝበሉ ናይ mHC ፓራሜተራትን ጥራይ ተሓዚዑ። ክብደታት ክኢላታት ድማ ብFP4 ሰልጠኑ፡ መብዛሕትኦም ካልኦት ፓራሜተራት ድማ ብFP8 — ካብ መጀመርታ quantization-aware፡ እዚ ድማ ነቲ ሞዴል ንተወሳኺ ምጭባጥ ብኸመይ ብልስሉስ ከምዝቕበሎ ይጸሉ።

03ካብ MLA ናብ CSA + HCA፦ DeepSeek ነዊሕ ኮንተክስት ብኸመይ ሓሳር ገይሩ ይሕዞ

እቲ ናይ ኣርባዕተ ወለዶታት ናይ DeepSeek ማእከላይ ክር መጠን ኣይኮነን፡ ናይ attention ቁጠባ እዩ። ነፍስ ወከፍ ወለዶ ነቲ KV cache ወሪሩ፡ እዚ ድማ ምስ ንውሓት ኮንተክስት ብመስመራዊ መገዲ ይዓቢ፡ ኣብ ነዋሕቲ ንውሓት ድማ ንተዘክሮ ይቆጻጸር።

• V2 Multi-head Latent Attention (MLA) ኣተኣታተወ — ናይ ውሑድ-ደረጃ ሓባራዊ ምጭባጥ ናይ keys ን values ን ናብ ሓደ latent vector፡ ስለዚ ምፍራይ ነቲ vector ምስ ተፈልየ decoupled RoPE key ዓቅበ ኣብ ክንዲ ምሉእ per-head K ን V። DeepSeek KV cache ናብ ብግምት 4–14% ናይ ንቡር multi-head attention ከምዝወረደ ሓቢሩ፡ ብቕዓት ድማ ተሓልዩ ወይ ተመሓይሹ።
• V3 ነዚ ናብ 671B ዘርገሖ፡ MLA ድማ ንሓሳር ነዊሕ ኮንተክስት ኣብ ክፉት ሞዴላት ንቡር ግምት ገበሮ።
• V3.2 DeepSeek Sparse Attention (DSA) ወሰኸ፡ ብሓደ ቀሊል indexer ላዕለዋይ-k ንኡስ ስብስብ ናይ ታሪኽ ንነፍስ ወከፍ ሕቶ ይመርጽ፡ ኣብ ክንዲ ብምሉኡ ምትንካፍ።
• V4 ይሓባብር። Compressed Sparse Attention (CSA) ቅድም ነቶም KV entries ናይ ነፍስ ወከፍ m ቶክናት ናብ ሓደ entry ብዝተማህረ ክብደታት ይጭብጦም፡ ደሓር ድማ sparse top-k ምርጫ ኣብ ልዕሊ እቶም ዝተጨበጡ entries የካይድ። Heavily Compressed Attention (HCA) ብዝያዳ ብሓያል ይጭብጥ፡ ኣብቲ ውጽኢት ግና ደው ይብል ብጥቕላል። እቶም ክልተ ዓይነት ንብርታት ኣብ ብሪ ተሓዋዊሶም ስለዝርከቡ፡ ሓሳር ሓፈሻዊ ጸብጻብን ልክዕ ናይ ቦታ ምድላይን ብሓደ ይነብሩ።

እቲ ዝተሓበረ ጥቕሚ ኣብ ሓደ-ሚልዮን-ቶክን ኮንተክስት ግሁድ እዩ፦ V4-Pro ብግምት 27% ናይ ንነፍስ ወከፍ-ቶክን ኢንፈረንስ FLOPs ን 10% ናይ KV cache ን ናይ V3.2 የድልዮ። ስለዚ ሓደ 262K ሕቶ ከም ንቡር ሕቶ ደኣ እምበር ከም ናይ ተዘክሮ ፍጻመ ኣይምላሽን፡ ከምኡ’ውን ስለምንታይ ናይ ነዊሕ-ኮንተክስት ምድላይ ቁጽርታት ድሕሪ ውሑዳት ዓሰርተታት ሽሕ ቶክናት ከይዓንው ዝጸንሑ።

04እቲ ናይ 3BIT-REAP መወዳእታ ቃል ማለት እንታይ ምዃኑ

ናትና መለለዪ ካታሎግ ብ3BIT-REAP ይውዳእ፡ እዚ ድማ ክልተ ናጻ ናይ ምጭባጥ ስጉምትታት ብቅደም-ተኸተል ዝተፈጸሙ ይገልጽ።

REAP፦ ምድርባይ ክኢላታት፡ ዘይምጽንባር

REAP ማለት Router-weighted Expert Activation Pruning እዩ፡ ካብ Cerebras Research ዝመጸ — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression"፡ ኣብ ICLR 2026 ተቐቢሉ። ኣብ ሓደ ውሑድ MoE፡ እቲ router ንክኢላታቱ ብማዕረ ኣይጥቀምን፦ ሓደ ነዊሕ ጫፍ ብውሑድ፡ ብድኹም፡ ወይ ብክልቲኡ ይምረጽ። REAP ንነፍስ ወከፍ ክኢላ ብምትእስሳር router gate values (ክንደይ ግዜን ክንደይ ብሓያልን ከምዝተመርጸ) ምስ expert activation norms (ውጽኢቱ ክንደይ ከምዘበርክት) ነጥቢ ይህቦ፡ ደሓር ድማ ነቶም ዝተሳዕሩ ብቐጥታ ይድርብዮም።

እቲ ናይ ወረቐት ክርክር ምድርባይ ካብ ምጽንባር ከምዝሓይሽ እዩ፦ ምጽንባር ነቲ ንMoE ክህነጽ ዝገበሮ ተግባራዊ ፍልልይ ብምዝማድ የጥፍኦ፡ ምድርባይ እቶም router ብዳርጋ ዘይትንክፎም ክኢላታት ግና የዕቊቦ። ካብ ሞዴላት ናይ 20B ክሳብ 1T፡ REAP ካብ ምጽንባርን ካልኦት ናይ ምድርባይ ኣገባባትን ኣብ ናይ ፈጠራ ቤንችማርክታት ተሓይሉ፡ ደረስቲ ድማ ኣብ 50% ምድርባይ ክኢላታት ኣብ ኮድ ምፍራይን tool callingን ዳርጋ-ብዘይ-ምጉዳል ውጽኢት ኣብ Qwen3-Coder-480B ን Kimi-K2 ን ሓቢሮም — እዚ ልክዕ እቲ ናይ ስራሕ ዓይነት እዚ ሞዴል ንኡኡ ዝቐረበ እዩ።

3-ቢት ክብደታት፦ ናይ ምጭባጥ ደረጃ ንዓበይቲ ፈጸምቲ ሞዴላት

እቶም ዝተረፉ ደሓር ናብ 3-ቢት ክብደታት ይጭበጡ። ሰለስተ ቢት ሓያል እዩ፡ ንሕና ድማ ካልእ ኣይንመስልን፦ ኣብ ልዕሊ ካታሎግና W8A16 ኣብቲ ፈጻሚ ሞዴል ንጻቕጢ ዘየድልየሉ ንኣሽቱ ንጥቀም፡ W4A16-AUTOROUND-REAP ኣብ ማእከል፡ 3BIT-REAP ድማ ኣብቶም ዝዓበዩ ፈጸምቲ ሞዴላት ጥራይ፡ ኣብኡ ንኡኡ ናይ ምቕራብን ዘይምቕራብን ፍልልይ እዩ።

እቲ ምልውዋጥ ብንጹር ክንገር ይግባእ፦ ሓደ 3-ቢት 1.6T MoE ምስቲ ማዕዶ ልቓቕ ቢት-ብቢት ኣይሳመዕን፡ ንእሽቶ ናይ ብቕዓት ወጻኢ ድማ ሓቀኛ እዩ። ኣብ ክንድኡ እትረኽቦ ግና ሓደ ፈጻሚ ሞዴል ናይ ዘይተጨምቀ ጣሪያኡ ካብ ዝኾነ ኣብ ላዕለዋይ ልክዕነት ብቐሊሉ ዝሰማማዕ ብዙሕ ንላዕሊ ዝርከብ እዩ — ስለ’ውን ናይ V4 ክኢላታት ካብ መጀመርታ ብFP4 ስለዝሰልጠኑ፡ እቲ ሞዴል ንተወሳኺ ምጭባጥ ክብደታት ብፍሉይ ብልስሉስ ባህርይ ይህብ። ናይ DeepSeek ህንጻ ብዝሓፍ ተጽዕኖ ኣብ ልክዕነት እንተደሊኻ፡ DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-ቢት ክብደታት ምስ 16-ቢት ንጥፈታትን ናይ AutoRound ዝተማህረ ምዕዋትን ይጥቀም፡ ኣብ ተመሳሳሊ 262K ኮንተክስት ብ$0.50 መእተዊ / $2.00 መውጽኢ።

05ኣተሓሳስባ፡ ከምኡ’ውን እቲ reasoning_effort መቆጻጸሪ

ናይ V4 ድሕሪ-ስልጠና ን ናይ ዓውዲ ክኢላታት ብንጹር ይሰልጥን — ሒሳብ፡ ኮድ፡ ኤጀንታት፡ ተኸተልቲ መምርሒ — ብ SFT ስዒቡ GRPO፡ እቲ Group Relative Policy Optimization ኣገባብ ናይ DeepSeek ምስ R1 ዘተኣታተወቶ። ደሓር እቶም ክኢላታት ብon-policy distillation ብትሕቲ reverse-KL ዕላማ ናብ ሓደ ሞዴል ይጣየሱ፡ ስለዚ ሓደ checkpoint ኣብ ብዙሕ ዓውዲ ብሓንሳብ ናይ ክኢላ-ደረጃ ባህርይ ይሕዝ፡ ኣብ ክንዲ ኣብ ኩሎም ማእከላይ ዝኾነ ሓፈሻዊ ምዃን።

እቲ ዝወጸ ሞዴል ኣብ ክንዲ ሓደ ክልተ-ኣማራጺ መቐይሮ፡ ደረጃ-ደረጃ ናይ ኣተሓሳስባ ዓይነታት ይህብ። ኣብ gateway ና እዚ እቲ ንቡር reasoning_effort ፓራሜተር እዩ፡ እቲ ብተናጻ ዝጠቅም መቆጻጸሪ ናይዚ ሞዴል፦

• ትሑት — ዳርጋ-ቀጥታዊ መልሲ፦ ምድብ፡ ምውጻእ፡ ዳግመ-ጽሕፈት፡ ዝኾነ ንፍልጠት ናይቲ ሞዴል ደኣ እምበር ንኣተሓሳስቡ ዘይትኸፍለሉ ስራሕ።
• ማእከላይ — ንቡር ናይ ስራሕ ዓይነት ንርእይቶ ኮድ፡ debugging ን ብዙሕ-ስጉምቲ ትንተናን።
• ላዕለዋይ — ነዊሕ ምስትንታን ቅድሚ መልሲ። ኣብኡ እዮም ከበድቲ ጸገማት ዝፍትሑ፡ ኣብኡ ድማ እዩ ናትካ ናይ መውጽኢ-ቶክን ሕሳብ ዝነብር፡ ናይ ኣተሓሳስባ ቶክናት ከም መውጽኢ ስለዝኽፈሉ።

ሽፋን ምንጻግ ስለዘየለ፡ እቲ ኣሰር ኣተሓሳስባ ኣብ ተነቃፊ ኣርእስቲ ኣይቅረጽን — እቲ ኣብ ናይ ገዛእ ርእሱ ኣገልግሎት ዝተሰነደ ናይ thought-suppression ኣገባብ ኣብዚ ንኽፍጠር ዝኽእል ኣገባብ የልቦን።

06ኮድን ናይ ኤጀንት ስራሕን፦ እቲ ፈጻሚ ሞዴል እንታይ ነጥቢ ይምዝግብ

እዚኣቶም ናይ DeepSeek-AI ባዕላ ዝተሓትሙ ቁጽርታት ን V4-Pro ልቓቕ እዮም — ናትና ኣይኮኑን፡ ኣብ ናትና ዝተጨምቐ ህንጻ ኣይተለክዑን። ንሕና ንሕብሮም ምኽንያቱ ንዝተኸስተ ምርጫ እዚ ፈጻሚ ሞዴል ቅኑዕ ምኽንያት ስለዝኾኑ፡ ከም ናይ ቀዳማይ-ወገን ድማ ንሕብሮም ስለዚ ብዝግባእ ክትመዝኖም ትኽእል።

ክልተ ርእይቶ ይግብኦም። SWE-bench Verified ብ80.6% ናይ ሓቀኛ-ማከዘን ጉዳይ ፍታሕ እዩ — ናይ ዘይተላመድካሉ codebase ንባብ፡ ናይ ጉድለት ምርካብ፡ ናይቲ ፕሮጀክት ናይ ገዛእ ርእሱ ፈተናታት ዘሕልፍ patch ምፍራይ። MRCR ኣብ ሓደ-ሚልዮን ቶክናት (83.5) ናይ ብዙሕ-ዙር coreference ምድላይ ኣብ ምሉእ ንውሓት እዩ፡ እቲ ናይ ነዊሕ-ኮንተክስት ጠለብ ጌጽ ዘይምዃኑ ዝነግረካ ቁጽሪ። DeepSeek ብተወሳኺ Codeforces rating ናይ 3206 ንዚ ሞዴል ይሕብር፡ 62.0 ኣብ CorpusQA ኣብ 1M ኮንተክስት ድማ።

እቶም ኣብ ላዕሊ ዘለዉ ቁጽርታት ብDeepSeek-AI ዝተሓበሩ ን DeepSeek-V4-Pro ማዕዶ ልቓቕ እዮም። ናትና 3BIT-REAP ህንጻ ናይቶም ክብደታት ዝተጨምቐ ዓይነት ኮይኑ ኣብዞም ስራሕቲ ብናጻ ኣይተለክዐን፤ እቶም ማዕዶ ነጥብታት ከም ናይቲ ፈጻሚ ሞዴል ጣሪያ ርኣዮም፡ ከም ናይዚ endpoint መለክዒ ኣይትርኣዮም።

07262K ኮንተክስት፦ እንታይ ብሓቂ ይኣቱ

እቲ ማዕዶ ሞዴል ን ሓደ-ሚልዮን ቶክናት ተሰልጢኑ ኣሎ። ንሕና 262,144 ነቕርብ — እቲ ኩሉ ሞዴል ኣብ gateway ዝካፈሎ መስኮት፡ ስለዚ ናይ ሞዴል ምቅይያር ሓደ-መስመር ለውጢ እዩ፡ ፈጺሙ ናይ ኮንተክስት ንድሓት ኣይኮነን። ብተግባር 262K ካብቲ ንመብዛሕትኡ ሓቀኛ ስራሕ ኮንተክስት ዝድርትዖ ነጥቢ ንላዕሊ እዩ፦

ናይ ስራሕ ዓይነት	ብግምት ቶክናት	ኣብ 262K ይኣቱ ድዩ፧
ማእከላይ-መጠን ማከዘን ኣገልግሎት (~50k ሓረግ)	~600K	የለን — ውሱናት ሞጁላት
ሓደ ንኡስ-ስርዓት + ፈተናታቱ	~60–120K	እወ፡ ብምቾት
ምሉእ RFC ስብስብ ን ፕሮቶኮል	~150K	እወ
ናይ 700-ገጽ ቴክኒካዊ መጽሓፍ	~250K	እወ፡ ናብ ደረት ቀሪቡ
ነዊሕ ናይ ኤጀንት ጉዕዞ፡ 40+ ተራ መሳርሒ	~80–200K	እወ

እቲ ክትውጥነሉ ዘለካ ደረት ናይ መውጽኢ እዩ፦ 16,384 ቶክናት ዝለዓለ ንነፍስ ወከፍ መልሲ። እዚ ሓደ ነዊሕ ሰነድ ወይ ዓቢ ብዙሕ-ፋይል patch እዩ፡ ግና ምሉእ codebase ኣይኮነን። ዓበይቲ ናይ ፍርያት ስራሕቲ ብምትእስሳር ጻውዒታት ምስ ቅድሚ ዝወጸ ውጽኢት ኣብ ኮንተክስት ተመሊሱ ይፍጸሙ — እዚ ድማ እቲ 262K መስኮት ሓሳር ዝገብሮ እዩ — ኣብ ክንዲ ሓደ ግዙፍ ምዝዛም ምሕታት።

08ዋጋ፡ ከምኡ’ውን V4-Pro ኣብ ካታሎግ ኣበይ ከምዝርከብ

ብ$1.95 መእተዊ / $3.90 መውጽኢ ንነፍስ ወከፍ ሚልዮን ቶክን፡ V4-Pro እታ ቀንዲ ደረጃ ኣተሓሳስባ እያ — እቲ ሞዴል ጸገሙ ከቢድ ኮይኑ ከሎ እትደልዮ። ጸገሙ ጥራይ ዓቢ ኮይኑ ከሎ ግና፡ ዝሓሰሩ ሞዴላት ኣብ ተመሳሳሊ 262K መስኮት ብርብዒ ዋጋ ይፍጽምዎ።

ብዘይ ሳንሱር ሞዴል	መእተዊ / 1M	መውጽኢ / 1M	ራእይ	ዝበለጸ ን
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	የለን	ከቢድ ኣተሓሳስባ፡ ኮድ፡ ኤጀንታት
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	የለን	ተመሳሳሊ ስድራ፡ ልዑል መጠን
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	የለን	ሓፈሻዊ ናይ ስራሕ ፈረስ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	እወ	ላዕለዋይ-ደረጃ ብዙሕ-ዓይነት ኤጀንታት
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	እወ	እቲ ዝሓሰረ ራእይ

ብቕንዕና ብዛዕባ እቲ ሰባት ብሓቂ ዝገብርዎ ንጽጽር ንዛረብ፦ ናይ DeepSeek ገዛእ ርእሱ API ካብዚ ዝሓሰረ እዩ — ናይ ቀዳማይ-ወገን V4-Pro ብግምት $0.435 መእተዊ / $0.87 መውጽኢ ይዝርዝር፡ ናይ cache-hit መእተዊ ዋግኦም ድማ ገና ይሓስር። ዋጋ ንነፍስ ወከፍ ቶክን ጥራይ ዝኾነ መለክዒኻ እንተኾይኑ ከምኡ’ውን ናይ ምቁጽጻር ባህርይ ንስራሕካ ዘይትንክፍ እንተኾይኑ፡ ነቲ ናይ ቀዳማይ-ወገን API ተጠቐም፤ ንስኻ ደሓር ካብ ምርካብካ ንሕና ሕጂ ክንነግረካ ንመርጽ። እቲ ተወሳኺ ዋጋ ካልእ ስብስብ ባህርያት ይዕድግ፦ ሽፋን ምንጻግ የልቦን ከምኡ’ውን ናይ ውጽኢት ማጽሪ የልቦን፡ ናይ US ኣካያዲ ብትሕቲ Shannon Lab LLC፡ ሓደ ዝተነብረ ናይ ዕለት checkpoint (0813) ስለዚ ስቕ ኢሉ ላዕለዋይ ምምሕያሽ ውጽኢታትካ ኣብ ማእከል ፕሮጀክት ኣይቅይሮን፡ ሰለስተ ቋንቋታት API ኣንጻር ሓደ ሞዴል፡ ከምኡ’ውን ተመሳሳሊ 262K መስኮትን ፓራሜተር ገጽን ኣብ ኩሎም ዓሰርተ ክልተ ሞዴላት ናይ ካታሎግ።

09ምድዋል፦ ሰለስተ ቋንቋታት፡ ሓደ ሞዴል

ነፍስ ወከፍ ሞዴል ኣብ gateway ኣብ ኩሎም ሰለስተ endpoint ይምልስ፡ ምስ ስትሪሚንግ ኣብ ነፍስ ወከፎም። ሓድሽ SDK ኣይትቕበልን — base URL ን መለለዪ ሞዴልን ጥራይ ትቕይር።

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 — ናይ OpenAI ቋንቋ፣ ምስ SDKs ናይ OpenAI ከምኡ’ውን ኣብኦም ዝህነጹ ስራሕቲ ይሰርሕ።
• /v1/messages — ናይ Anthropic ቋንቋ፣ ን codebases ድሮ ኣብቲ ቅርጺ ዝተጻሕፉ።
• /v1/responses — እቲ ናይ Responses ቅርጺ ገጽ።

ኣብዚ ሞዴል ዝድገፉ፦ ስትሪሚንግ፡ ንጡፍ tool calling፡ ጥብቂ json_schema ዝተወደበ ውጽኢት፡ response_format፡ ከምኡ’ውን reasoning_effort። ምሉእ ናይ ፓራሜተር መወከሲን ናይ ሓቂ playgroundን ኣብ ሰነዳት API ኣሎ።

10ሓቀኛ ደረታት

ኣርባዕተ ነገራት ቅድሚ ኣብ ልዕሊኡ ምህናጽካ ክትፈልጦም ዘለካ፦

• ራእይ የልቦን። ጽሑፍ-ጥራይ፤ ኣብ ዝኾነ endpoint ናይ ስእሊ ኣታዊ ኣይቅበልን። ብዘይ ሳንሱር ሞዴል ዝርኢ ዘድልየካ እንተኾይኑ፡ Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 ወይ inkling ተጠቐም።
• 16,384-ቶክን ናይ መውጽኢ ጣሪያ። ናይ ኣተሓሳስባ ቶክናት ኣብ ላዕለዋይ ጻዕሪ ኣብ ልዕሊኡ ይቑጸሩ፡ ስለዚ ነዊሕ ምስትንታን ንመልሲ ውሑድ ቦታ ይገድፍ። ንዓበይቲ ናይ ፍርያት ስራሕቲ ጻውዒታት ኣተኣሳስር።
• 3-ቢት ሓቀኛ ምጭባጥ እዩ። እቶም ማዕዶ ነጥብታት ነቲ ፈጻሚ ሞዴል ደኣ እምበር ነዚ ህንጻ ኣይገልጹን። ንላዕለዋይ-ተኣማንነት ደረጃ፡ እቶም W8A16 ሞዴላት (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) ዝወሓደ ምጭባጥ ይሕዙ።
• ብዘይ ሳንሱር ማለት ብዘይ ተሓታትነት ማለት ኣይኮነን። ሽፋን ምንጻግ ዘይምህላው ማለት ብዛዕባ እንታይ ከምእትሓትት ከምኡ’ውን በቲ መልሲ እንታይ ከምእትገብር ሓላፍነት ኣብ ልዕሌኻ ይነብር — ብትሕቲ ውዕላት ኣገልግሎትናን ናይታ ትሰርሓላ ሃገር ሕግን።

11ተደጋጋሚ ዝሕተቱ ሕቶታት

---

ምንጭታት፦ DeepSeek-AI — ካርድ ሞዴል DeepSeek-V4-Pro · ቴክኒካዊ ጸብጻብ DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · ቴክኒካዊ ጸብጻብ DeepSeek-V3 · REAP the Experts (Cerebras Research) · መርመራ ምንጻግ ናይ Promptfoo · Discovering Forbidden Topics in Language Models። ናይ ቤንችማርክ ቁጽርታት ብDeepSeek-AI ዝተሓበሩ ን ማዕዶ ልቓቕ እዮም፤ ናጻ ናይ ሳልሳይ-ወገን ምርግጋጽ ናይቲ ዝተጨምቀ ህንጻ ገና ኣይተኻየደን። ዋጋታት ናይ Shannon AI ናይ ዝርዝር ዋጋታት ካብ 5 መስከረም 2026 እዮም።