Нецензурований API DeepSeek Flash

Більшість команд, що оцінюють API для LLM, оптимізують не ту змінну. Вони ганяють бенчмарки на двадцяти найскладніших промптах, які змогли вигадати, обирають переможця, а через шість тижнів виявляють, що дев'яносто п'ять відсотків їхнього трафіку — це коротка, структурована, повторювана робота, яку модель за чверть ціни впоралася б виконати ідентично. DeepSeek-V4-Flash існує заради цих дев'яноста п'яти відсотків. Ця сторінка про те, як зрозуміти, що ви в них — і коли ні.

01Що ви насправді отримуєте

Властивість	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
ID моделі	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Контекст / макс. вивід	262 144 токени / 16 384 токени
Ціна за 1 млн (вхід / вихід)	$0.50 / $2.00
Стримінг · виклик інструментів · міркування	Так — усі три діалекти
Структурований вивід	json_schema і response_format
Вхідні зображення (зір)	Ні — лише текст
Шар відмов / фільтр виводу	Немає
Обслуговується на	власному GPU-кластері Shannon

До тих самих ваг ведуть три діалекти API: /v1/chat/completions (у формі OpenAI), /v1/messages (у формі Anthropic) і /v1/responses. Стримінг працює на всіх трьох. Повний довідник параметрів — у документації API.

02Звідки вона: родовід DeepSeek

DeepSeek-AI витратила п'ять поколінь моделей на одну одержимість: отримати поведінку фронтиру від моделі, дешевої в обслуговуванні, а не лише дешевої в навчанні. Майже кожне архітектурне рішення лінійки веде до цього, і важливі з них опубліковані. Три пояснюють, до чого саме ви звертаєтеся, коли б'єте в цей ендпоїнт.

DeepSeekMoE — дрібнозернисті експерти плюс один спільний

Шар Mixture-of-Experts замінює одну велику feed-forward-мережу багатьма меншими та маршрутизатором, що обирає жменьку з них на токен. Варіант DeepSeek нарізає експертів дрібніше за звичну компоновку з восьми, тож ті самі активовані FLOPs купують куди комбінаторно специфічнішу суміш, і виокремлює спільного експерта, через якого проходить кожен токен, щоб загальні знання не вивчалися надлишково всередині кожного спеціаліста. DeepSeek-V3 випустила це як 256 маршрутизованих експертів плюс 1 спільний, з активацією 8 маршрутизованих на токен — 671 млрд загальних параметрів, 37 млрд активних — разом із балансуванням навантаження без допоміжної функції втрат: замість штрафного доданка, що псує якість, зсув для кожного експерта підштовхує оцінки маршрутизації вгору чи вниз на кожному кроці, залежно від того, чи експерт недовантажений, чи перевантажений.

MLA — увага, що вміщається в пам'ять

Друга половина проблеми вартості обслуговування — це KV-кеш, що росте лінійно з контекстом і домінує в пам'яті на довгих послідовностях. Multi-head Latent Attention, представлена в DeepSeek-V2, спільно стискає ключі й значення в низькорангові латентні вектори й кешує їх, реконструюючи придатні K/V на льоту. Опубліковані цифри DeepSeek для V2 проти їхньої ранішої щільної DeepSeek 67B показують скорочення KV-кешу на 93.3% і у 5.76× вищу максимальну пропускну здатність генерації. Ось чому вікно на 262K токенів у цьому сімействі є базовою умовою, а не преміальним доповненням.

Розріджена увага — і прецедент дешевих токенів

V3.2-Exp додала DeepSeek Sparse Attention: легкий індексатор оцінює токени контексту відносно запиту, а селектор лишає лише найкраще оцінені. Цікаве тут — квитанція, а не механізм. DeepSeek опублікувала пряме порівняння з V3.1-Terminus: MMLU-Pro ідентичний на 85.0, AIME 2025 вище (88.4 → 89.3), SWE-bench Verified трохи нижче (68.4 → 67.8) — по суті, якість не змінилася — і того самого дня знизила ціни свого API більш ніж на 50%. Архітектура, чесно описана, що просто перетворюється на ціну. Flash — цей самий аргумент, зроблений ще на крок далі.

Покоління V4

V4, показана в квітні 2026 року під ліцензією MIT, знову замінює стек уваги гібридом Compressed Sparse Attention і Heavily Compressed Attention, навчається оптимізатором Muon більш ніж на 32 трлн токенів і зберігає ціль передбачення кількох токенів із V3 — яка водночас працює як спекулятивне декодування і яку DeepSeek виміряла на рівні прийняття другого токена 85–90% для прискорення декодування приблизно у 1.8× у V3. Анотація V4 повідомляє, що V4-Pro працює на 27% від FLOPs однотокенного інференсу V3.2 і 10% від її KV-кешу. Сімейство відкриває три рівні зусилля міркування, і саме на них відображається наш параметр reasoning_effort.

Джерела: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · технічний звіт DeepSeek-V3 (arXiv 2412.19437) · картка моделі DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Усі цифри повідомлені DeepSeek.

03Що насправді означає «Flash»

Саме тут більшість порівнянь помиляється, тож варто сказати прямо: Flash від DeepSeek не є квантованим, прорідженим чи дистильованим Pro. Це окремо навчена, менша модель Mixture-of-Experts із власним прогоном передтренування. Стаття-презентація V4 наводить два розміри:

Цифри зі статті-презентації DeepSeek-V4. Офіційні чекпоїнти, які ми обслуговуємо — V4-Flash-0731 і V4-Pro-0813 — вказують у своїх картках дещо більші загальні числа: 304 млрд і 1.7 трлн; активовані параметри для цих збірок DeepSeek не переозначує.

Тут працюють два числа. Загальні параметри задають слід у пам'яті, що визначає, скільки заліза займає копія моделі. Активовані параметри задають арифметику на токен, що визначає пропускну здатність. Flash приблизно у 5.6× менший за першим показником і у 3.8× менший за другим — і в цьому розриві є тонкість, варта уваги: Flash активує 13 із 284 мільярдів параметрів, близько 4.6%, тоді як Pro активує 49 із 1 600 мільярдів, близько 3.1%. Flash — менш розріджена модель. Це не просто Pro з меншою кількістю ввімкнених експертів; це щільніший, інакше збалансований дизайн, що витрачає більшу частку себе на кожен породжений токен. Це справжнє інженерне рішення, а не пониження.

Що кажуть власні цифри DeepSeek

Обидві офіційні картки моделей публікують оцінки на тих самих агентних і програмно-інженерних бенчмарках, що робить це порівняння незвично чистим — та сама лабораторія, та сама обв'язка оцінювання, два розміри:

Бенчмарк (за даними 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 виграє в кожному рядку. Це чесний заголовок, і нам краще, щоб ви прочитали його тут, а не виявили у продакшені. Але читайте розриви, бо саме їх ви й купуєте. На Terminal Bench 2.1 розрив становить 5.2 пункта — у моделі з двадцять п'ятою частиною параметрів; на використанні інструментів — 3.8 пункта. Розрив ширшає там, де робота найглибша: 8.3 пункта на DeepSWE, 7.3 на NL2Repo — обидва винагороджують тривале багатокрокове міркування над кодом. Ось форма компромісу в одній таблиці: Flash закриває більшу частину відстані на обмежених задачах і поступається на відкритих.

Власна картка Flash від DeepSeek формулює це ще різкіше: Flash-0731 випереджає попередню версію V4-Pro на перелічених бенчмарках, попри значно меншу кількість активованих параметрів. Новіша менша модель, що обходить старішу велику, — нормальний стан справ у цій галузі, і саме тому «вищий рівень» ніколи не має бути вашою відповіддю за замовчуванням.

04Як читати суфікс: W4A16-AUTOROUND-REAP

Наші ID моделей проговорюють свою схему стиснення вголос, бо саме вона найбільше впливає на якість виводу і саме її майже ніхто не розкриває. Цей суфікс розкладається на три твердження.

W4A16 — 4-бітні ваги, 16-бітні активації

Ваги зберігаються по 4 біти кожна; активації проходять із 16-бітною точністю. Це квантування лише ваг, і воно б'є у справжнє вузьке місце генерації токенів — пропускну здатність пам'яті, а не арифметику. Квантування ще й активацій дало б трохи більше швидкості й ризик значно більшого обриву в точності; лишити їх у 16 бітах — консервативний вибір на користь точності. Позначення — скоропис екосистеми обслуговування: у літературі з квантування те саме пишуть як W4 із розміром групи.

AUTOROUND — навчене округлення, а не округлення до найближчого

Наївне квантування округлює кожну вагу до найближчого представного значення. Це доказово не оптимально: округлення однієї ваги «не туди» може скасувати похибку, внесену її сусідами, а на мільярдах ваг такі взаємодії домінують. AutoRound від Intel трактує саме рішення про округлення як щось, що можна вивчити: тренована збурювальна поправка на кожну вагу, обмежена ±0.5 — рівно стільки, щоб перевернути будь-яке одне рішення про округлення й не більше, — плюс навчувані діапазони обрізання, оптимізовані знаковим градієнтним спуском під поблочну ціль реконструкції виводу на невеликому калібрувальному наборі. Двісті кроків — і готово.

За опублікованими порівняннями Intel, AutoRound обходить GPTQ у 30 із 32 перевірених сценаріїв, AWQ — у 27 із 32 і OmniQuant — у 29 із 32 за 4-бітних налаштувань лише для ваг, а виграш проти наївного округлення до найближчого сягає від 6.9 до 33.2 пункта точності на 2 бітах. Під час інференсу це не коштує нічого: це просто кращий вибір чисел, зроблений один раз офлайн.

REAP — відкинути експертів, до яких ніхто не маршрутизує

REAP (Router-weighted Expert Activation Pruning) від Cerebras Systems і Університету Калгарі — одноразове стиснення для MoE-моделей. Воно оцінює кожного експерта за тим, наскільки сильно й наскільки часто маршрутизатор його обирає, множачи це на величину виходу цього експерта, а потім прямо видаляє найменш значущих — без подальшого донавчання.

Центральний висновок статті і є корисним: за високих коефіцієнтів стиснення проріджування експертів переважає їхнє злиття. Злиття функційно різних експертів спричиняє те, що автори називають колапсом функційного підпростору: маршрутизатор втрачає тонкий, залежний від входу контроль, заради якого MoE й будували, і лишається кермувати між статичними усередненнями. Їхні цифри на моделях від 20 млрд до 1 трлн параметрів: при 25% стиснення експертів на задачах програмування REAP втрачає 2.8% середньої точності там, де базові методи злиття втрачають понад 5%; при 50% REAP втрачає 8.0% там, де злиття втрачає понад 20%. На Qwen3-Coder-480B при 50% проріджування падіння становить 1.4% проти 39.3% у наївного проріджування за частотою. Cerebras опублікувала чекпоїнти REAP, зокрема й для лінійки DeepSeek.

Чому тут 4 біти, а на Pro 3

Обидва рівні мають уміститися й лишатися швидкими на одному класі заліза. Pro несе 1.7 трильйона параметрів, тож йому потрібне агресивніше 3-бітне лікування, щоб узагалі вміститися. Flash несе приблизно 300 мільярдів, тож йому не потрібне — і зекономлений біт витрачається на точність, а не на те, щоб уміститися.

Цей додатковий біт важить більше, ніж підказує арифметика, бо шкода від квантування не лінійна. У вимірах на WikiText-2 зі статті про AWQ Llama-2-7B переходить від перплексії 5.47 при FP16 до 5.60 на 4 бітах — штраф 2.4% — але до 6.24 на 3 бітах, тобто 14%. Це приблизно вшестеро більша деградація за 25% більшого стиснення, і той самий шаблон тримається на 70 млрд. Стаття про GPTQ ще різкіша: на 3 бітах наївне округлення до найближчого колапсує на моделях класу 175 млрд, у тисячі перплексії, лишаючись цілком придатним на 4 бітах. Нижче чотирьох бітів гарний алгоритм квантування перестає бути приємністю й стає єдиним, що тримає модель укупі.

Отже, чесне прочитання цих двох суфіксів таке: Flash стоїть ближче до власної нестисненої версії, ніж Pro до своєї. Pro все одно сильніша модель — таблиця бенчмарків вище це вирішує. Вона просто віддала більше, щоб сюди дістатися, і за цю привілею ви платите.

Джерела: 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. Цифри перплексії з AWQ (arXiv 2306.00978) і GPTQ (arXiv 2210.17323).

05Flash проти Pro на ендпоїнті

Розділ 03 охопив фундаменти. Ось як два рівні виглядають як продукти на нашому шлюзі:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Квантування	W4A16-AUTOROUND-REAP	3BIT-REAP
Точність ваг	4 біти, навчене округлення	3 біти
Фундамент (усього / активних)	~304 млрд / 13 млрд	~1.7 трлн / 49 млрд
Вхід за 1 млн токенів	$0.50	$1.95
Вихід за 1 млн токенів	$2.00	$3.90
Контекст / макс. вивід	262 144 / 16 384	262 144 / 16 384
Інструменти · структурований вивід · стримінг	Так	Так
Зір	Ні	Ні
Шар відмов	Немає	Немає

Зверніть увагу на те, що не змінюється: контекст, стеля виводу, виклик інструментів, структурований вивід і відсутність шару відмов ідентичні. Рухаються лише фундамент, квантування й ціна. Тому перемикання між ними — це правка одного рядка у вашому коді й суто економічне рішення у вашій архітектурі.

Скільки коштує один виклик максимального розміру

Заповніть увесь контекст на 262 144 токени й заберіть повний вивід на 16 384 токени:

За прайс-листом. Flash: $0.131 вхід + $0.033 вихід. Pro: $0.511 + $0.064. Співвідношення 3.51×. Flash також ділить мінімальну ціну $0.50 / $2.00 з MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro і Hy3 — дивіться повний каталог, щоб побачити, чим вони різняться за зором і структурованим виводом.

06Арифметика обсягу, порахована

«У 3.9× дешевше» правда лише на вході. На виході Flash дешевший у 1.95×. Тож ваша реальна економія залежить від співвідношення входу й виходу, і розкид достатньо широкий, щоб змінювати проєктні рішення. Чотири реалістичні навантаження, кожне по 100 000 запитів:

Навантаження	Вхід / вихід на виклик	Flash	Pro	Економія
Класифікація звернень	1 200 / 120	$84	$281	3.3×
Відповіді на питання в RAG	8 000 / 600	$520	$1,794	3.4×
Підсумок довгого документа	60 000 / 1 500	$3,300	$12,285	3.7×
Генерація синтетичних даних	500 / 2 000	$425	$878	2.1×

Закономірність така: що більше контексту ви штовхаєте й що менше тексту генеруєте, то більше Flash вам заощаджує. Конвеєри пошуку, сортування документів, аналіз логів і транскриптів та витягування з довгого контексту — це солодка точка: вони на порядок домінуються входом, а знижка у 3.9× живе саме на вході. Якщо ж ваше навантаження — короткий промпт, що породжує тисячі токенів прози, розрив звужується приблизно до 2×, і аргумент на користь спроможності Pro відповідно міцнішає.

Ще одна арифметика, варта засвоєння: за $0.50 за мільйон вхідних токенів заповнення всього вікна на 262 144 токени коштує 13.1 цента. За такої ціни промптинг із довгим контекстом перестає бути бюджетним питанням, і це подеколи означає, що можна взагалі не будувати прошарок пошуку, а дати роботу контекстному вікну — інженерна економія понад економію на токенах.

07Що тут точно означає «нецензурований»

Слово вживають вільно, тож ось наше визначення, сформульоване як властивість ендпоїнта: перед моделлю немає класифікатора відмов, і до її виводу не застосовують фільтрації контенту. Ніщо не перехоплює промпт, щоб повернути шаблонну відмову; ніщо не оглядає завершення й не редагує його. Для високообсягової продакшн-роботи наслідки менш драматичні й корисніші, ніж підказує саме слово:

• Жодних хибних спрацювань на безпечному трафіку. Фільтровані ендпоїнти регулярно відмовляють у медичних підсумках, розборах з безпеки, юридичному розкритті доказів, художньому тексті, матеріалах зі зниження шкоди й самій роботі з модерації — саме в тих категоріях, де пакетне завдання обробляє текст про чутливу тему, а не породжує щось шкідливе. На ста тисячах запитів один відсоток хибних відмов — це тисяча зламаних рядків.
• Детерміновані контракти. Попросіть відповідь за json_schema — і отримаєте JSON, що відповідає схемі, а не абзац вибачень там, де мав бути об'єкт. Вашому парсеру не потрібна гілка на відмову, а логіці повторів не треба відрізняти транспортний збій від політичного.
• Політика належить вам. Це і є компроміс. Якщо вашому продукту потрібні запобіжники для ваших кінцевих користувачів, ви будуєте їх на своєму рівні, де знаєте своїх користувачів і свою юрисдикцію, а не успадковуєте здогади провайдера про те й те. Ваш обліковий запис і далі регулює наша Політика відповідального використання.

Нецензурований — не те саме, що невирівняний чи некорисний. Модель і далі виконує інструкції та поважає системний промпт. Якщо ви хочете, щоб вона відмовляла в певних категоріях вашим користувачам, напишіть це там — тепер цю інструкцію пишете ви, а не нав'язуємо ми.

08Можливості й чесні обмеження

Дві можливості несуть основну вагу для обсягової роботи. Строгий вивід json_schema перетворює завершення на рядок бази даних без прошарку парсингу й без гілки на відмову. Виклик інструментів у всіх трьох діалектах робить Flash розумним рушієм для дешевих підкроків агента, чий верхньорівневий планувальник працює на сильнішій моделі. Додайте reasoning_effort, який дає змогу витрачати зайві токени лише на ту частку трафіку, якій вони потрібні, і контекст на 262 144 токени, ідентичний Pro, — обираючи дешевий рівень, ви не здаєте контекст, і це незвично.

Обмеження так само конкретні:

• Немає зору. Flash працює лише з текстом і відхилить частини повідомлення із зображеннями. Для зображень на нецензурованій моделі за тією самою мінімальною ціною $0.50 / $2.00 варіанти з зором — MiniMax-M3 і MiMo-V2.5; Kimi-K2.6 і Kimi-K3 є сильнішими моделями з зором понад цим рівнем.
• Не вершина драбини. Власні цифри DeepSeek ставлять Pro попереду на кожному опублікованому агентному бенчмарку, і розрив найширший на тривалому багатокроковому міркуванні над кодом. Там, де одна хибна відповідь коштує дорожче за тисячу дешевих, витратьте додаткові $1.45 за мільйон на DeepSeek-V4-Pro.
• 16 384 вихідні токени на запит. Довгі генерації доводиться розбивати між викликами. Це та сама стеля на кожній моделі, яку ми обслуговуємо, і вона зв'язує задовго до контекстного вікна.

09Як звертатися

Спрямуйте будь-який OpenAI-сумісний клієнт на шлюз і змініть рядок моделі. Більше нічого у вашому стеку рухати не треба.

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
        }
      }
    }
  }'

Той самий ID моделі працює без змін на /v1/messages і /v1/responses, і це найшвидший спосіб провести A/B-порівняння дешевшої моделі під наявною інтеграцією, не переписуючи клієнт. Параметри, форми подій стримінгу, схеми викликів інструментів і ліміти запитів задокументовано в довіднику API; кожну модель каталогу перелічено на Shannon Research.

10Часті запитання

---

Джерела: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · технічний звіт DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · картки моделей DeepSeek-V4-Flash-0731 і DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Усі цифри фундаментів і бенчмарків наведено так, як їх опублікували відповідні автори; ціни Shannon AI й обслуговуваний контекст — наші власні значення прайс-листа станом на вересень 2026 року.