بغیر سنسر شپ DeepSeek Flash API

LLM API پرکھنے والی زیادہ تر ٹیمیں غلط متغیر بہتر کرتی ہیں۔ وہ سب سے مشکل بیس پیش لفظوں پر بینچ مارک چلاتی ہیں جو انہیں سوجھ سکیں، فاتح چن لیتی ہیں، اور چھ ہفتے بعد دریافت کرتی ہیں کہ ان کی پچانوے فیصد ٹریفک مختصر، ساختی، دہرائی جانے والی مشقت ہے جسے چوتھائی قیمت والا ماڈل بالکل اسی طرح نمٹا دیتا۔ DeepSeek-V4-Flash اسی پچانوے فیصد کے لیے ہے۔ یہ صفحہ اس بارے میں ہے کہ آپ کو کیسے پتہ چلے کہ آپ اسی حصے میں ہیں — اور کب نہیں ہیں۔

01آپ کو ملتا کیا ہے

خاصیت	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
ماڈل کی شناخت	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
سیاق / زیادہ سے زیادہ اخراج	262,144 ٹوکن / 16,384 ٹوکن
فی 1M قیمت (داخل / خارج)	$0.50 / $2.00
اسٹریمنگ · ٹول کالنگ · استدلال	ہاں — تینوں لہجوں پر
ساختی اخراج	json_schema اور response_format
تصویری داخلہ (بصارت)	نہیں — صرف متن
انکار کی پرت / اخراجی چھلنی	کوئی نہیں
کہاں چلتا ہے	Shannon کا اپنا GPU کلسٹر

تین API لہجے انہی وزنوں تک پہنچتے ہیں: /v1/chat/completions (OpenAI کی صورت)، /v1/messages (Anthropic کی صورت)، اور /v1/responses۔ اسٹریمنگ تینوں پر چلتی ہے۔ پیرامیٹروں کا مکمل حوالہ API دستاویزات میں ہے۔

02یہ آیا کہاں سے: DeepSeek کا سلسلہ

DeepSeek-AI نے پانچ ماڈل نسلیں ایک ہی دھن پر صرف کی ہیں: ایسے ماڈل سے صفِ اول کا رویہ نکالنا جسے پیش کرنا سستا ہو، محض تربیت دینا سستا نہ ہو۔ اس سلسلے کا تقریباً ہر تعمیراتی فیصلہ اسی طرف لوٹتا ہے، اور اہم فیصلے شائع شدہ ہیں۔ تین یہ سمجھاتے ہیں کہ اس اینڈ پوائنٹ پر پہنچ کر آپ پکار کیا رہے ہیں۔

DeepSeekMoE — باریک ماہرین، اور ایک مشترکہ ماہر

Mixture-of-Experts تہہ ایک بڑے فیڈ فارورڈ نیٹ ورک کی جگہ کئی چھوٹے نیٹ ورک اور ایک روٹر رکھ دیتی ہے جو فی ٹوکن ان میں سے چند چن لیتا ہے۔ DeepSeek کی قسم ماہرین کو روایتی آٹھ ماہر والی ترتیب سے زیادہ باریک کاٹتی ہے، تاکہ اتنے ہی فعال FLOPs سے کہیں زیادہ باہمی طور پر مخصوص آمیزہ خریدا جا سکے، اور یہ ایک مشترکہ ماہر کو الگ کر دیتی ہے جس سے ہر ٹوکن گزرتا ہے، تاکہ عام معلومات ہر ماہر کے اندر بار بار نہ سیکھی جائیں۔ DeepSeek-V3 نے یہ 256 راستہ بند ماہرین اور 1 مشترکہ ماہر، فی ٹوکن 8 راستہ بند فعال کے طور پر پیش کیا — کل 671B پیرامیٹر، 37B فعال — نیز معاون نقصان کے بغیر بار برابری: معیار گھٹانے والے جرمانے کی جگہ، ہر ماہر کے لیے ایک تعصبی قدر ہر قدم پر راستہ بندی کے نمبر اوپر یا نیچے کھسکاتی ہے، اس حساب سے کہ وہ ماہر کم بوجھ میں ہے یا زیادہ۔

MLA — وہ توجہ جو یادداشت میں سما جائے

پیشکش کی لاگت کا دوسرا نصف KV کیش ہے، جو سیاق کے ساتھ خطی طور پر بڑھتا ہے اور لمبی ترتیبوں پر یادداشت پر چھا جاتا ہے۔ Multi-head Latent Attention، جو DeepSeek-V2 میں متعارف ہوئی، کلیدوں اور قدروں کو مل کر ایک کم درجے کے پوشیدہ سمتیے میں سکیڑتی ہے اور اسی کو کیش کرتی ہے، پھر کارآمد K/V موقع پر دوبارہ بنا لیتی ہے۔ DeepSeek کے شائع کردہ V2 اعداد، ان کے پہلے کے کثیف DeepSeek 67B کے مقابلے میں، KV کیش میں 93.3% کمی اور زیادہ سے زیادہ تخلیقی گزرگاہ میں 5.76× اضافہ بتاتے ہیں۔ یہی وجہ ہے کہ اس خاندان میں 262K ٹوکن کی کھڑکی کوئی مہنگا اضافہ نہیں بلکہ داخلے کی شرط ہے۔

خلوت دار توجہ — اور سستے ٹوکن کی نظیر

V3.2-Exp نے DeepSeek Sparse Attention شامل کی: ایک ہلکا اشاریہ ساز سیاقی ٹوکن کو استفسار کے مقابل نمبر دیتا ہے، اور ایک منتخب کنندہ صرف سب سے اونچے نمبر والوں کو رکھتا ہے۔ دلچسپ حصہ ترکیب نہیں، رسید ہے۔ DeepSeek نے V3.1-Terminus کے ساتھ پہلو بہ پہلو موازنہ شائع کیا جس میں MMLU-Pro دونوں پر 85.0 پر یکساں رہا، AIME 2025 بہتر ہوا (88.4 → 89.3)، SWE-bench Verified معمولی نیچے گیا (68.4 → 67.8) — یعنی معیار تقریباً سیدھا — اور اسی دن انہوں نے اپنی API قیمتیں 50% سے زیادہ گھٹا دیں۔ فن تعمیر، ایمانداری سے بتایا گیا، جو سیدھا قیمت میں ڈھل جائے۔ Flash اسی دلیل کو ایک قدم آگے لے جاتا ہے۔

V4 نسل

V4، جو اپریل 2026 میں MIT لائسنس کے تحت پیش نظر آیا، توجہ کے ڈھانچے کو ایک بار پھر بدل دیتا ہے اور اس کی جگہ Compressed Sparse Attention اور Heavily Compressed Attention کا ملاپ رکھتا ہے، Muon بہتر کار کے ساتھ 32T سے زیادہ ٹوکن پر تربیت پاتا ہے، اور V3 کا کثیر ٹوکن پیشگوئی کا ہدف برقرار رکھتا ہے — جو ساتھ ہی قیاسی ضابطہ کشائی کا کام دیتا ہے، اور جسے DeepSeek نے V3 میں دوسرے ٹوکن کی 85–90% قبولیت کی شرح پر تقریباً 1.8× ضابطہ کشائی کی تیزی کے طور پر ناپا۔ V4 کا خلاصہ بتاتا ہے کہ V4-Pro، V3.2 کے اکہرے ٹوکن کے استنباطی FLOPs کے 27% اور اس کے KV کیش کے 10% پر چلتا ہے۔ یہ خاندان استدلالی محنت کے تین درجے کھولتا ہے، اور ہمارا reasoning_effort پیرامیٹر انہی پر نقشہ بند ہوتا ہے۔

مآخذ: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 تکنیکی رپورٹ (arXiv 2412.19437) · DeepSeek-V3.2-Exp ماڈل کارڈ · DeepSeek-V4 (arXiv 2606.19348)۔ تمام اعداد DeepSeek کے بتائے ہوئے ہیں۔

03"Flash" کا اصل مطلب

زیادہ تر موازنے یہیں غلطی کرتے ہیں، اس لیے اسے صاف کہہ دینا بہتر ہے: DeepSeek کا Flash کوئی کوانٹائز شدہ، کٹا ہوا یا کشید کیا گیا Pro نہیں ہے۔ یہ الگ سے تربیت پایا ہوا، چھوٹا Mixture-of-Experts ماڈل ہے جس کی اپنی پیشگی تربیت چلی۔ V4 کا پیش نظر مقالہ دونوں حجم دیتا ہے:

اعداد DeepSeek-V4 کے پیش نظر مقالے سے۔ جو سرکاری چیک پوائنٹ ہم پیش کرتے ہیں — V4-Flash-0731 اور V4-Pro-0813 — ان کے ماڈل کارڈ پر کل تعداد کچھ زیادہ، 304B اور 1.7T درج ہے؛ DeepSeek ان بلڈ کے لیے فعال پیرامیٹر دوبارہ نہیں بتاتا۔

یہاں کام دو اعداد کرتے ہیں۔ کل پیرامیٹر یادداشت کا نقشِ قدم طے کرتے ہیں، جو یہ فیصلہ کرتا ہے کہ ماڈل کی ایک نقل کتنا ہارڈ ویئر گھیرے گی۔ فعال پیرامیٹر فی ٹوکن حسابیات طے کرتے ہیں، جو گزرگاہ کا فیصلہ کرتی ہے۔ Flash پہلے پیمانے پر تقریباً 5.6× چھوٹا ہے اور دوسرے پر 3.8× — اور اس فرق میں ایک باریکی دیکھنے لائق ہے: Flash 284 ارب میں سے 13 ارب پیرامیٹر فعال کرتا ہے، یعنی تقریباً 4.6%، جبکہ Pro 1,600 ارب میں سے 49 ارب، یعنی تقریباً 3.1%۔ Flash کم خلوت دار ماڈل ہے۔ یہ محض کم ماہرین جلائے ہوئے Pro نہیں؛ یہ ایک کثیف تر، مختلف طور پر متوازن ڈیزائن ہے جو اپنے پیدا کردہ ہر ٹوکن پر اپنا بڑا حصہ خرچ کرتا ہے۔ یہ ایک حقیقی انجینئری انتخاب ہے، تنزلی نہیں۔

DeepSeek کے اپنے اعداد کیا کہتے ہیں

دونوں سرکاری ماڈل کارڈ انہی ایجنٹی اور سافٹ ویئر انجینئرنگ بینچ مارکوں پر نمبر شائع کرتے ہیں، جس سے یہ غیر معمولی طور پر صاف موازنہ بن جاتا ہے — وہی تجربہ گاہ، وہی جانچ کا داربست، دو حجم:

بینچ مارک (DeepSeek کے بتائے ہوئے)	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 ہر سطر جیتتا ہے۔ یہی ایماندارانہ سرخی ہے، اور ہم چاہیں گے کہ آپ اسے یہاں پڑھ لیں، پیداواری ماحول میں دریافت نہ کریں۔ لیکن فرق پڑھیے، کیونکہ اصل میں آپ وہی خرید رہے ہیں۔ Terminal Bench 2.1 پر فاصلہ 5.2 نقطے کا ہے، اُس ماڈل پر جس کے پیرامیٹر پچیسویں حصے کے ہیں؛ ٹول کے استعمال پر 3.8 نقطے۔ فاصلہ وہاں کھلتا ہے جہاں کام سب سے گہرا ہو — DeepSWE پر 8.3 نقطے، NL2Repo پر 7.3، اور یہ دونوں مسلسل کئی مرحلوں کے کوڈی استدلال کو انعام دیتے ہیں۔ ایک ہی جدول میں سودے کی شکل یہی ہے: Flash محدود کاموں پر فاصلے کا بڑا حصہ پاٹ لیتا ہے اور کھلے کاموں پر پیچھے ہٹ جاتا ہے۔

DeepSeek کا اپنا Flash کارڈ بات اور بھی تیزی سے کہتا ہے: Flash-0731 اپنے کہیں کم فعال پیرامیٹر کے باوجود درج بینچ مارکوں پر V4-Pro کے پیش نظر نسخے سے آگے نکلتا ہے۔ نئے چھوٹے ماڈل کا پرانے بڑے کو ہرا دینا اس میدان کی معمول کی حالت ہے، اور یہی وہ وجہ ہے کہ "بڑا درجہ" کبھی آپ کا طے شدہ جواب نہیں ہونا چاہیے۔

04لاحقہ پڑھنا: W4A16-AUTOROUND-REAP

ہماری ماڈل شناختیں اپنی سکیڑ کی ترکیب کھل کر بتاتی ہیں، کیونکہ اخراجی معیار پر سب سے زیادہ اثر یہی ڈالتی ہے اور اسے تقریباً کوئی ظاہر نہیں کرتا۔ یہ لاحقہ تین دعووں میں کھلتا ہے۔

W4A16 — 4-bit وزن، 16-bit فعالیت

وزن فی عدد 4 بٹ پر رکھے جاتے ہیں؛ فعالیت 16-bit درستگی پر بہتی ہے۔ یہ صرف وزن کی کوانٹائزیشن ہے، اور یہ ٹوکن تخلیق کی اصل تنگی کو نشانہ بناتی ہے، جو حسابیات نہیں بلکہ یادداشتی گزرگاہ ہے۔ فعالیت کو بھی کوانٹائز کرنا ذرا سی مزید رفتار خریدتا اور درستگی کی کہیں بڑی کھائی کا خطرہ مول لیتا؛ انہیں 16 بٹ پر چھوڑنا محتاط، زیادہ وفاداری والا انتخاب ہے۔ یہ اشاریہ پیشکشی ماحول کا مختصر نویسی ہے — کوانٹائزیشن کا ادب اسی بات کو W4 اور ایک گروہی حجم کے ساتھ لکھتا ہے۔

AUTOROUND — سیکھی ہوئی راؤنڈنگ، قریب ترین راؤنڈنگ نہیں

سادہ لوح کوانٹائزیشن ہر وزن کو قریب ترین قابلِ نمائندگی قدر تک راؤنڈ کر دیتی ہے۔ یہ ثابت شدہ طور پر بہترین نہیں: کسی ایک وزن کو "غلط" سمت راؤنڈ کرنا اس کے پڑوسیوں کی پیدا کردہ خطا کاٹ سکتا ہے، اور اربوں وزنوں کے ساتھ یہی باہمی اثرات غالب آ جاتے ہیں۔ Intel کی AutoRound راؤنڈنگ کے فیصلے کو ہی سیکھنے کی چیز سمجھتی ہے — فی وزن ایک قابلِ تربیت جھٹکا جو ±0.5 تک محدود ہے، یعنی بالکل اتنا کہ کوئی بھی ایک راؤنڈنگ فیصلہ الٹ سکے اور اس سے زیادہ کبھی نہیں، نیز سیکھنے کے قابل کترنے کی حدیں، جو ایک چھوٹے معیار بندی مجموعے پر بلاک بہ بلاک اخراجی بازتعمیر کے ہدف کے مقابل نشان زد گریڈیئنٹ ڈیسنٹ سے بہتر بنائی جاتی ہیں۔ دو سو قدم، اور بس۔

Intel کے شائع کردہ موازنوں میں AutoRound، 4-bit صرف وزن کی ترتیبوں پر 32 میں سے 30 آزمائے گئے منظرناموں میں GPTQ کو، 32 میں سے 27 میں AWQ کو اور 32 میں سے 29 میں OmniQuant کو مات دیتی ہے، اور 2 بٹ پر سادہ قریب ترین راؤنڈنگ کے مقابلے میں 6.9 سے 33.2 نقطے تک درستگی کا فائدہ دیتی ہے۔ اس میں سے کچھ بھی استنباط کے وقت خرچ نہیں مانگتا: یہ اعداد کا بہتر انتخاب ہے، جو ایک بار، لائن سے باہر کر لیا جاتا ہے۔

REAP — اُن ماہرین کو ہٹانا جن کی طرف کوئی راستہ نہیں بھیجتا

Cerebras Systems اور University of Calgary کی REAP (Router-weighted Expert Activation Pruning)، MoE ماڈلوں کے لیے ایک ہی وار میں کی جانے والی سکیڑ ہے۔ یہ ہر ماہر کو اس بنیاد پر نمبر دیتی ہے کہ روٹر اس کی طرف کتنی شدت سے اور کتنی بار گیٹ کرتا ہے، ضربِ اُس ماہر کے اخراج کا حجم، پھر سب سے کم نمایاں ماہرین کو سرے سے حذف کر دیتی ہے — بعد میں کوئی دوبارہ تربیت نہیں۔

مقالے کا مرکزی نتیجہ ہی کارآمد ہے: زیادہ سکیڑ کی نسبتوں پر ماہرین کاٹنا انہیں ملانے سے بہتر ہے۔ کارکردگی کے لحاظ سے مختلف ماہرین کو ملانے سے وہ چیز ہوتی ہے جسے مصنفین کارکردگی کے ذیلی فضا کا انہدام کہتے ہیں — روٹر وہ باریک، داخلے پر منحصر قابو کھو دیتا ہے جس کی وجہ سے MoE بنانا سود مند تھا، اور اسے جامد اوسطوں کے درمیان رخ موڑنے پر چھوڑ دیا جاتا ہے۔ 20B سے 1T پیرامیٹر تک کے ماڈلوں پر ان کے اعداد: کوڈی کاموں پر 25% ماہر سکیڑ پر REAP اوسطاً 2.8% درستگی کھوتی ہے جبکہ ملانے والی بنیادی خطوط 5% سے زیادہ کھوتے ہیں؛ 50% پر REAP 8.0% کھوتی ہے جبکہ ملاپ 20% سے زیادہ۔ Qwen3-Coder-480B پر 50% کٹائی کے ساتھ گراوٹ 1.4% ہے، جبکہ سادہ تعدد پر مبنی کٹائی کے لیے 39.3%۔ Cerebras نے دیگر کے ساتھ DeepSeek سلسلے کے لیے بھی REAP چیک پوائنٹ شائع کیے ہیں۔

یہاں 4-bit اور Pro پر 3-bit کیوں

دونوں درجوں کو ایک ہی طبقے کے ہارڈ ویئر پر سمانا اور تیز رہنا ہے۔ Pro 1.7 کھرب پیرامیٹر اٹھاتا ہے، اس لیے اسے سرے سے سمانے کے لیے زیادہ جارحانہ 3-bit علاج درکار ہے۔ Flash تقریباً 300 ارب اٹھاتا ہے، اس لیے اسے نہیں — اور جو بٹ وہ بچاتا ہے وہ سمانے کے بجائے وفاداری پر خرچ ہوتا ہے۔

وہ ایک اضافی بٹ اپنی حسابی مالیت سے کہیں زیادہ اہم ہے، کیونکہ کوانٹائزیشن کا نقصان خطی نہیں۔ AWQ مقالے کی WikiText-2 پیمائشوں میں Llama-2-7B، FP16 پر 5.47 پیچیدگی سے 4-bit پر 5.60 تک جاتا ہے — 2.4% جرمانہ — مگر 3-bit پر 6.24 تک، یعنی 14% جرمانہ۔ یہ تقریباً 25% زیادہ سکیڑ کے بدلے چھ گنا تنزلی ہے، اور یہی نمونہ 70B پر بھی قائم رہتا ہے۔ GPTQ مقالہ اس سے بھی صاف ہے: 3 بٹ پر سادہ قریب ترین راؤنڈنگ 175B طبقے کے ماڈلوں پر منہدم ہو جاتی ہے، ہزاروں کی پیچیدگی میں، جبکہ 4 بٹ پر بالکل قابلِ استعمال رہتی ہے۔ چار بٹ سے نیچے، اچھا کوانٹائزیشن الگورتھم آسائش نہیں رہتا بلکہ وہی واحد چیز بن جاتا ہے جو ماڈل کو جوڑے رکھتی ہے۔

تو ان دونوں لاحقوں کی ایماندارانہ قرأت یہ ہے: Flash اپنے غیر سکیڑے ہوئے نسخے کے اتنا قریب بیٹھا ہے جتنا Pro اپنے سے نہیں۔ Pro اب بھی مضبوط تر ماڈل ہے — اوپر کا بینچ مارک جدول یہ طے کر دیتا ہے۔ اس نے یہاں تک پہنچنے کے لیے محض زیادہ چھوڑا ہے، اور اس اعزاز کی قیمت آپ ادا کرتے ہیں۔

مآخذ: 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۔ پیچیدگی کے اعداد AWQ (arXiv 2306.00978) اور GPTQ (arXiv 2210.17323) سے۔

05اینڈ پوائنٹ پر Flash بمقابلہ Pro

سیکشن 03 نے بنیادوں کا احاطہ کیا۔ ہمارے گیٹ وے پر بطور مصنوعات یہ دونوں درجے یوں نظر آتے ہیں:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
کوانٹائزیشن	W4A16-AUTOROUND-REAP	3BIT-REAP
وزن کی درستگی	4-bit، سیکھی ہوئی راؤنڈنگ	3-bit
بنیاد (کل / فعال)	~304B / 13B	~1.7T / 49B
فی 1M ٹوکن داخل	$0.50	$1.95
فی 1M ٹوکن خارج	$2.00	$3.90
سیاق / زیادہ سے زیادہ اخراج	262,144 / 16,384	262,144 / 16,384
ٹول · ساختی اخراج · اسٹریمنگ	ہاں	ہاں
بصارت	نہیں	نہیں
انکار کی پرت	کوئی نہیں	کوئی نہیں

غور کیجیے کہ کیا نہیں بدلتا: سیاق، اخراج کی حد، ٹول کالنگ، ساختی اخراج، اور انکار کی پرت کی غیر موجودگی — یہ سب یکساں ہیں۔ صرف بنیاد، کوانٹائزیشن اور قیمت ہلتی ہے۔ اسی سے ان کے درمیان بدلنا آپ کے کوڈ میں ایک ڈور کی تبدیلی اور آپ کے فن تعمیر میں خالص معاشی فیصلہ بن جاتا ہے۔

زیادہ سے زیادہ حجم کی ایک کال کی لاگت

پورا 262,144 ٹوکن کا سیاق بھریے اور پورا 16,384 ٹوکن کا اخراج لیجیے:

فہرستی قیمت پر۔ Flash: $0.131 داخل + $0.033 خارج۔ Pro: $0.511 + $0.064۔ نسبت 3.51×۔ Flash، $0.50 / $2.00 کا فرش MiniMax-M3، Laguna-S-2.1، MiMo-V2.5، MiMo-V2.5-Pro اور Hy3 کے ساتھ بھی بانٹتا ہے — یہ دیکھنے کے لیے کہ وہ بصارت اور ساختی اخراج میں کیسے مختلف ہیں، پوری فہرست ملاحظہ کیجیے۔

06حجم کی حسابیات، کھول کر

"3.9× سستا" صرف داخل پر درست ہے۔ خارج پر Flash 1.95× سستا ہے۔ اس لیے آپ کی اصل بچت آپ کے داخل بمقابلہ خارج تناسب پر منحصر ہے، اور یہ پھیلاؤ اتنا چوڑا ہے کہ ڈیزائن کے فیصلے بدل دے۔ چار حقیقت پسند کام کے بوجھ، ہر ایک 100,000 درخواستوں پر:

کام کا بوجھ	فی کال داخل / خارج	Flash	Pro	بچت
ٹکٹ کی درجہ بندی	1,200 / 120	$84	$281	3.3×
RAG سوال و جواب	8,000 / 600	$520	$1,794	3.4×
لمبی دستاویز کا خلاصہ	60,000 / 1,500	$3,300	$12,285	3.7×
مصنوعی ڈیٹا کی تخلیق	500 / 2,000	$425	$878	2.1×

نمونہ یہ ہے: آپ جتنا زیادہ سیاق دھکیلیں اور جتنا کم متن پیدا کریں، Flash اتنا ہی زیادہ بچاتا ہے۔ بازیافتی پائپ لائنیں، دستاویزی چھانٹ، نوشتوں اور نقلِ گفتگو کا تجزیہ، اور طویل سیاق سے استخراج — یہی میٹھا مقام ہیں، کیونکہ یہ درجۂ عشری کے فرق سے داخل کے غالب ہیں، اور 3.9× کی رعایت داخل ہی پر رہتی ہے۔ اس کے برعکس اگر آپ کا کام کا بوجھ ایک مختصر پیش لفظ ہے جو ہزاروں ٹوکن نثر پیدا کرتا ہے، تو فاصلہ سکڑ کر تقریباً 2× رہ جاتا ہے اور Pro کے حق میں صلاحیت کی دلیل اسی حساب سے مضبوط ہو جاتی ہے۔

ایک اور حسابی نکتہ جو ذہن نشین کر لینا چاہیے: فی ملین داخل ٹوکن $0.50 پر، پوری 262,144 ٹوکن کی کھڑکی بھرنے پر 13.1 سینٹ لگتے ہیں۔ اس قیمت پر طویل سیاق کا پیش لفظ لکھنا بجٹ کا سوال نہیں رہتا، جس کا کبھی مطلب یہ ہوتا ہے کہ آپ بازیافتی پرت بنانے سے سرے سے بچ سکتے ہیں اور کام سیاق کی کھڑکی سے لے سکتے ہیں — ٹوکن کی بچت کے اوپر ایک انجینئری بچت۔

07یہاں "بغیر سنسر شپ" کا عین مطلب

یہ لفظ ڈھیلے ڈھالے استعمال ہوتا ہے، اس لیے ہماری تعریف حاضر ہے، جو اینڈ پوائنٹ کی ایک خاصیت کے طور پر بیان کی گئی ہے: ماڈل کے سامنے کوئی انکاری درجہ بند نہیں اور اس کے اخراج پر کوئی مواداتی چھلنی نہیں لگتی۔ کوئی چیز پیش لفظ روک کر ڈبہ بند انکار نہیں لوٹاتی؛ کوئی چیز تکمیل کو جانچ کر اس پر سیاہی نہیں پھیرتی۔ زیادہ حجم کے پیداواری کام کے لیے اس کے نتائج اس لفظ کے تاثر سے کم ڈرامائی اور زیادہ کارآمد ہیں:

• بے ضرر ٹریفک پر کوئی جھوٹا اثبات نہیں۔ چھلنی والے اینڈ پوائنٹ معمول کے مطابق طبی خلاصے، سلامتی کی تحریریں، قانونی دریافت، افسانہ، نقصان کم کرنے کا مواد اور خود اعتدال بندی کا کام مسترد کر دیتے ہیں — عین وہی زمرے جہاں کوئی بیچ جاب حساس موضوع کے بارے میں متن پروسیس کر رہا ہوتا ہے، نقصان دہ کچھ پیدا نہیں کر رہا ہوتا۔ ایک لاکھ درخواستوں پر ایک فیصد جھوٹے انکار کی شرح کا مطلب ایک ہزار ٹوٹی ہوئی سطریں ہیں۔
• یقینی معاہدے۔ json_schema جواب مانگیے تو آپ کو schema سے مطابقت رکھتا JSON ملتا ہے، نہ کہ وہاں معذرت کا پیراگراف جہاں کسی شے کو ہونا چاہیے۔ آپ کے پارسر کو انکار کی شاخ درکار نہیں، اور آپ کی دوبارہ کوشش کی منطق کو ترسیل کی ناکامی اور پالیسی کی ناکامی میں فرق نہیں کرنا پڑتا۔
• پالیسی کے مالک آپ ہیں۔ سودا یہی ہے۔ اگر آپ کی مصنوعات کو اپنے آخری صارفین کے لیے حفاظتی باڑ چاہیے، تو آپ اسے اپنی پرت پر بناتے ہیں، جہاں آپ اپنے صارفین اور اپنے دائرۂ اختیار کو جانتے ہیں، بجائے اس کے کہ دونوں کے بارے میں کسی فراہم کنندہ کے اندازے وراثت میں لیں۔ آپ کا اکاؤنٹ بدستور ہماری ذمہ دارانہ استعمال کی پالیسی کے تابع رہتا ہے۔

بغیر سنسر شپ ہونا غیر صف بند یا غیر مددگار ہونے کے مترادف نہیں۔ ماڈل اب بھی ہدایات مانتا ہے اور اب بھی نظامی پیش لفظ کا احترام کرتا ہے۔ اگر آپ چاہتے ہیں کہ وہ آپ کے صارفین کے لیے کچھ زمروں سے انکار کرے، تو وہیں کہہ دیجیے — اب یہ ہدایت آپ کو لکھنی ہے، ہمیں تھوپنی نہیں۔

08صلاحیتیں اور ایماندارانہ حدود

حجمی کام کا بیشتر وزن دو صلاحیتیں اٹھاتی ہیں۔ سخت json_schema اخراج کسی تکمیل کو بغیر کسی پارسنگ پرت اور بغیر انکاری شاخ کے ڈیٹابیس کی ایک سطر میں بدل دیتا ہے۔ تینوں لہجوں میں ٹول کالنگ Flash کو ایسے ایجنٹ کے سستے ذیلی مرحلوں کے لیے معقول انجن بنا دیتی ہے جس کا اعلیٰ سطحی منصوبہ ساز کسی مضبوط تر ماڈل پر چل رہا ہو۔ اس میں reasoning_effort شامل کر لیجیے، جو آپ کو اضافی ٹوکن صرف ٹریفک کے اُس حصے پر خرچ کرنے دیتا ہے جسے ان کی ضرورت ہے، اور Pro جیسا ہی 262,144 ٹوکن کا سیاق — سستا درجہ چن کر آپ سیاق قربان نہیں کرتے، جو غیر معمولی بات ہے۔

حدیں اتنی ہی ٹھوس ہیں:

• بصارت نہیں۔ Flash صرف متن کا ہے اور کسی پیغام میں تصویری حصے مسترد کر دے گا۔ اسی $0.50 / $2.00 فرش پر بغیر سنسر شپ ماڈل میں تصاویر کے لیے MiniMax-M3 اور MiMo-V2.5 وہ اختیارات ہیں جو بصارت رکھتے ہیں؛ Kimi-K2.6 اور Kimi-K3 اس درجے سے اوپر مضبوط تر بصری ماڈل ہیں۔
• سیڑھی کی چوٹی نہیں۔ DeepSeek کے اپنے اعداد ہر شائع شدہ ایجنٹی بینچ مارک پر Pro کو آگے رکھتے ہیں، اور فاصلہ سب سے چوڑا مسلسل کئی مرحلوں کے کوڈی استدلال پر ہے۔ جہاں ایک غلط جواب کی قیمت ہزار سستے جوابوں سے زیادہ ہو، وہاں فی ملین اضافی $1.45 خرچ کر کے DeepSeek-V4-Pro لیجیے۔
• فی درخواست 16,384 خارج ٹوکن۔ لمبی تخلیقات کو کئی کالوں میں ٹکڑوں میں بانٹنا ہوگا۔ یہ وہی حد ہے جو ہمارے پیش کردہ ہر ماڈل پر ہے، اور یہ سیاق کی کھڑکی سے کہیں پہلے آ جاتی ہے۔

09اسے پکارنا

کسی بھی OpenAI ہم آہنگ کلائنٹ کا رخ گیٹ وے کی طرف کیجیے اور ماڈل کی ڈور بدل دیجیے۔ آپ کے ڈھیر میں اور کچھ ہلانے کی ضرورت نہیں۔

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
        }
      }
    }
  }'

وہی ماڈل شناخت /v1/messages اور /v1/responses پر بھی بغیر تبدیلی چلتی ہے، اور کسی موجودہ انضمام کے نیچے سستا ماڈل A/B کرنے کا یہی تیز ترین طریقہ ہے، بغیر اپنا کلائنٹ دوبارہ لکھے۔ پیرامیٹر، اسٹریمنگ کے واقعاتی سانچے، ٹول کالنگ کے schema اور شرحی حدیں API حوالے میں دستاویز بند ہیں؛ فہرست کا ہر ماڈل Shannon Research پر درج ہے۔

10اکثر پوچھے جانے والے سوالات

---

مآخذ: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 تکنیکی رپورٹ (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731 اور DeepSeek-V4-Pro-0813 ماڈل کارڈ · AutoRound (arXiv 2309.05516، Intel) · REAP (arXiv 2510.13999، Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323)۔ بنیاد اور بینچ مارک کے تمام اعداد وہی ہیں جو ان کے متعلقہ مصنفین نے شائع کیے؛ Shannon AI کی قیمتیں اور پیش کردہ سیاق ستمبر 2026 تک ہماری اپنی فہرستی قدریں ہیں۔