بغیر سنسر شپ DeepSeek API

جو لوگ “بغیر سنسر شپ DeepSeek API” کے فقرے تک پہنچتے ہیں وہ ایک مخصوص چیز چاہتے ہیں: ایسا ماڈل جس میں DeepSeek کی استدلالی اور کوڈنگ صلاحیت ہو اور جو وہی سوال جواب دے جو انہوں نے واقعی پوچھا۔ صلاحیت والا نصف اچھی طرح دستاویز شدہ ہے — DeepSeek-AI نے فن تعمیر اور اعداد شائع کیے، اور وزن MIT کے تحت Hugging Face پر موجود ہیں۔ دوسرا نصف چلانے کا فیصلہ ہے، اور عام طور پر یہ فیصلہ آپ کے لیے کوئی اور کرتا ہے۔ یہ صفحہ دونوں کا احاطہ کرتا ہے: V4-Pro بنیاد کیا ہے، ہمارا 3BIT-REAP بلڈ اس کے ساتھ کیا کرتا ہے، اور جب ہم “بغیر سنسر شپ” کہتے ہیں تو اس کا عین مطلب کیا ہے۔

01“بغیر سنسر شپ DeepSeek API” کا اصل مطلب

ایک ہی لفظ کے نیچے دو مختلف طریقہ کار رکھ دیے جاتے ہیں۔ پہلا وزنوں میں پکی ہوئی صف بندی ہے — انکار کا وہ رویہ جو بعد از تربیت سیکھا جاتا ہے۔ دوسرا پیش کش کی طرف کی اعتدال کی پرت ہے: ایک الگ درجہ بند جو ماڈل کے دیکھنے سے پہلے آپ کا پرامپٹ اور آپ کے دیکھنے سے پہلے اخراج جانچتا ہے، اور جواب کو جملے کے بیچ میں کاٹ سکتا ہے، چاہے ماڈل کچھ بھی کہنا چاہتا ہو۔

دونوں قابلِ پیمائش ہیں، اور DeepSeek کی اپنی سروس کی پیمائش کی جا چکی ہے۔ Promptfoo نے سیاسی طور پر حساس سوالات کا 1,360 پرامپٹ کا مجموعہ ترتیب دیا اور بتایا کہ DeepSeek کے میزبان R1 نے ان میں سے 1,156 سے انکار کیا یا انہیں ٹال دیا — تقریباً 85%۔ اسی خاندان پر تعلیمی کام نے ایک الگ ناکامی کا انداز پایا جسے مصنفین نے سوچ کا دباؤ کہا، جہاں حساس موضوع پر ماڈل کا استدلالی سلسلہ شروع ہوتے ہی تقریباً ختم ہو جاتا ہے۔ Information Sciences میں شائع ہونے والے ایک الگ جائزے نے معنوی سطح کے دباؤ کو دستاویز کیا: ایسا مواد جو ماڈل کے اندرونی استدلال میں موجود ہوتا ہے مگر صارف تک پہنچنے سے پہلے خاموشی سے حذف یا دوبارہ لکھ دیا جاتا ہے۔ یہ سیدھے انکار سے زیادہ مشکل مسئلہ ہے، کیونکہ کٹا ہوا جواب جواب ہی لگتا ہے۔

ہم جو چلاتے ہیں وہ کھلے وزنوں والی ریلیز ہے، اُس ہارڈویئر پر جو ہم چلاتے ہیں، امریکہ میں، Shannon Lab LLC کے تحت۔ ماڈل کے آگے کوئی انکار کی پرت نہیں اور جو کچھ واپس آتا ہے اس پر کوئی چھلنی نہیں: پیش کرنے سے پہلے آپ کے پرامپٹ کی پالیسی کے لیے درجہ بندی نہیں کی جاتی، اور باہر جاتے وقت اخراج کی دھارا جانچی نہیں جاتی۔ چونکہ بنیاد MIT لائسنس یافتہ اور عوامی ہے، آپ ہماری بات پر بھروسا کرنے کے بجائے ہمارے نتائج کا حوالہ جاتی وزنوں سے خود موازنہ کر سکتے ہیں۔

02بنیاد: DeepSeek-V4-Pro، ایک 1.6T MoE

DeepSeek-V4 DeepSeek-AI کا موجودہ کھلے وزنوں والا خاندان ہے، جس کی جھلک اپریل 2026 میں دکھائی گئی اور جو MIT کے تحت دو سائز میں جاری ہوا: V4-Flash (284B کل، 13B فعال) اور V4-Pro (1.6T کل، 49B فعال)۔ یہ مضمون Pro درجے کے بارے میں ہے۔ دونوں کی پیشگی تربیت تقریباً 33 کھرب ٹوکن پر ہوئی اور دونوں مقامی طور پر دس لاکھ ٹوکن کے سیاق کی حمایت کرتے ہیں۔

غور کرنے کی چیز خلوت کا تناسب ہے: کسی بھی ٹوکن پر صرف تقریباً 3% پیرامیٹر جلتے ہیں، اور یہی چیز اتنے بڑے ماڈل کو سرے سے قابلِ پیشکش بناتی ہے۔ MoE بلاک بذاتِ خود اب بھی DeepSeekMoE ہے — باریک بین راستہ بند ماہرین جمع ہمیشہ فعال مشترک ماہرین، جو V2 میں متعارف ہوئے تھے — V4 میں صرف معمولی تبدیلیوں کے ساتھ، جن میں سب سے نمایاں ابتدائی تہوں میں hash routing ہے۔ Multi-Token Prediction، یعنی V3 کا وہ ضمنی مقصد جو قیاسی ڈی کوڈنگ بھی ممکن بناتا ہے، بغیر تبدیلی برقرار ہے۔

V4 کے نئے حصے ساختی ہیں۔ Manifold-Constrained Hyper-Connections (mHC) سادہ باقیاتی راستے کی جگہ ایک سیکھی ہوئی آمیزشی میٹرکس رکھتی ہیں جسے Sinkhorn–Knopp تخفیف کے ذریعے دوہری اسٹوکاسٹک میٹرکسوں کی منی فولڈ پر پابند کیا جاتا ہے — ایک ایسی باقیاتی دھارا جو ہر ان پٹ پر وزن دوبارہ متعین کرتی ہے، بغیر اُس عددی بہاؤ کے جو بہت گہرے ڈھیروں کو مار دیتا ہے۔ تربیت زیادہ تر ماڈیولوں کے لیے AdamW سے ہٹ کر Muon پر منتقل ہوئی، جو Newton–Schulz آرتھوگونلائزیشن استعمال کرتا ہے، جبکہ AdamW صرف ایمبیڈنگ، پیشین گوئی کے سروں، نارملائزیشن اور جامد mHC پیرامیٹروں کے لیے رکھا گیا۔ اور ماہرین کے وزن FP4 میں تربیت یافتہ ہیں جبکہ باقی زیادہ تر پیرامیٹر FP8 میں — یعنی شروع ہی سے کوانٹائزیشن سے آگاہ، اور یہ اس بات کے لیے اہم ہے کہ ماڈل مزید ترکیب کو کتنی خوش اسلوبی سے سہتا ہے۔

03MLA سے CSA + HCA تک: DeepSeek طویل سیاق کو سستا کیسے رکھتا ہے

چار نسلوں میں DeepSeek کا مرکزی دھاگہ حجم نہیں، توجہ کی معاشیات ہے۔ ہر نسخے نے KV کیش پر حملہ کیا ہے، جو سیاق کے ساتھ خطی طور پر بڑھتا ہے اور طویل لمبائیوں پر یادداشت پر چھا جاتا ہے۔

• V2 نے Multi-head Latent Attention (MLA) متعارف کرایا — کلیدوں اور اقدار کی کم درجے کی مشترکہ ترکیب ایک پوشیدہ ویکٹر میں، تاکہ تخلیق کے دوران ہر سر کی مکمل K اور V کے بجائے وہ ویکٹر اور ایک جدا شدہ RoPE کلید کیش ہو۔ DeepSeek نے بتایا کہ KV کیش معیاری کثیر سر توجہ کے تقریباً 4–14% تک آ گیا، جبکہ معیار برقرار رہا یا بہتر ہوا۔
• V3 نے اسے 671B تک بڑھایا، اور MLA کھلے ماڈلوں میں سستے طویل سیاق کے لیے طے شدہ مفروضہ بن گیا۔
• V3.2 نے DeepSeek Sparse Attention (DSA) شامل کیا، جو ہر استفسار کے لیے پوری تاریخ پر توجہ دینے کے بجائے ایک ہلکے اشاریہ ساز کے ذریعے تاریخ کا ایک top-k ذیلی مجموعہ چنتا ہے۔
• V4 آمیزش کرتا ہے۔ Compressed Sparse Attention (CSA) پہلے ہر m ٹوکن کے KV اندراجات کو سیکھے ہوئے وزنوں کے ساتھ ایک اندراج میں سمیٹتا ہے، پھر ان سمٹے ہوئے اندراجات پر خلوت دار top-k انتخاب چلاتا ہے۔ Heavily Compressed Attention (HCA) کہیں زیادہ شدت سے سمیٹتا ہے مگر نتیجے پر گنجان رہتا ہے۔ دونوں قسم کی تہیں ڈھیر میں باری باری آتی ہیں، تاکہ سستا عالمی خلاصہ اور درست مقامی بازیافت ساتھ ساتھ چلیں۔

دس لاکھ ٹوکن کے سیاق پر بتایا گیا فائدہ نمایاں ہے: V4-Pro کو V3.2 کے مقابلے میں فی ٹوکن استنباط کے تقریباً 27% FLOPs اور 10% KV کیش درکار ہوتے ہیں۔ یہی وجہ ہے کہ 262K کی درخواست یادداشت کے کسی واقعے کے بجائے ایک عام درخواست جیسی برتاؤ کرتی ہے، اور یہی وجہ ہے کہ طویل سیاق کی بازیافت کے اعداد چند دسیوں ہزار ٹوکن کے بعد ڈھے جانے کے بجائے قائم رہتے ہیں۔

043BIT-REAP لاحقے کا مطلب

ہماری فہرست کی شناخت 3BIT-REAP پر ختم ہوتی ہے، اور یہ ترتیب سے لاگو دو آزاد تراکیبی مراحل بیان کرتی ہے۔

REAP: ماہرین کو ملانا نہیں، کاٹنا

REAP یعنی Router-weighted Expert Activation Pruning، Cerebras Research کی طرف سے — “REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression”، جو ICLR 2026 میں قبول ہوا۔ خلوت دار MoE میں روٹر اپنے ماہرین کو یکساں استعمال نہیں کرتا: ایک لمبی دُم شاذ، کمزوری سے، یا دونوں طرح چنی جاتی ہے۔ REAP ہر ماہر کو روٹر گیٹ اقدار (کتنی بار اور کتنی شدت سے وہ چنا جاتا ہے) اور ماہر کی فعالیت کے نارم (اس کے اخراج کا کتنا حصہ ہے) کو ملا کر پرکھتا ہے، پھر ہارنے والوں کو یکسر حذف کر دیتا ہے۔

مقالے کی دلیل یہ ہے کہ کاٹنا ملانے سے بہتر ہے: ملانا اُس عملی تخصیص کو اوسط میں گھول دیتا ہے جس کی خاطر MoE بنایا گیا تھا، جبکہ اُن ماہرین کو حذف کرنا جن تک روٹر بمشکل پہنچتا ہے اسے محفوظ رکھتا ہے۔ 20B سے 1T تک کے ماڈلوں میں REAP نے تخلیقی بینچ مارکس پر ملانے اور مقابل کٹائی کے طریقوں کو مات دی، اور مصنفین Qwen3-Coder-480B اور Kimi-K2 پر 50% ماہر کٹائی پر کوڈ تخلیق اور ٹول کالنگ میں تقریباً بےنقصان نتائج بتاتے ہیں — اور یہی وہ کام کا خاکہ ہے جس کے لیے یہ ماڈل یہاں موجود ہے۔

3-bit وزن: سب سے بڑی بنیادوں کے لیے ترکیب کا درجہ

جو بچ رہتا ہے اسے پھر 3-bit وزنوں میں کوانٹائز کیا جاتا ہے۔ تین بٹ سخت ہے، اور ہم اس سے انکار نہیں کرتے: پوری صف میں ہم W8A16 وہاں استعمال کرتے ہیں جہاں بنیاد اتنی چھوٹی ہو کہ اسے دبانے کی ضرورت نہ ہو، درمیان میں W4A16-AUTOROUND-REAP، اور 3BIT-REAP صرف سب سے بڑی بنیادوں پر، جہاں یہ ماڈل کو پیش کرنے اور نہ کرنے کے درمیان فرق ہوتا ہے۔

سودا صاف الفاظ میں بیان کرنے کے قابل ہے: 3-bit والا 1.6T MoE حوالہ جاتی ریلیز سے بٹ بہ بٹ یکساں نہیں، اور معیار کی ایک چھوٹی قیمت حقیقی ہے۔ اس کے بدلے آپ کو ایسی بنیاد ملتی ہے جس کی غیر مسکن چھت ہر اُس چیز سے کہیں اوپر ہے جو زیادہ درستگی پر آسانی سے سما سکے — اور چونکہ V4 کے ماہرین شروع ہی سے FP4 میں تربیت یافتہ تھے، ماڈل مزید وزنی ترکیب کے تحت غیر معمولی طور پر خوش رویہ رہتا ہے۔ اگر آپ کو درستگی پر ہلکے ہاتھ والا DeepSeek بلڈ چاہیے، تو DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP 4-bit وزن اور 16-bit فعالیت اور AutoRound کی سیکھی ہوئی راؤنڈنگ استعمال کرتا ہے، اُسی 262K سیاق پر $0.50 داخل / $2.00 خارج پر۔

05استدلال، اور reasoning_effort ڈائل

V4 کی بعد از تربیت شعبہ جاتی ماہرین کو الگ الگ تربیت دیتی ہے — ریاضی، کوڈنگ، ایجنٹ، ہدایت کی پیروی — SFT کے بعد GRPO کے ساتھ، یعنی وہ Group Relative Policy Optimization طریقہ جو DeepSeek نے R1 کے ساتھ متعارف کرایا تھا۔ پھر ان ماہرین کو الٹے KL مقصد کے تحت آن پالیسی تقطیر سے ایک ماڈل میں یکجا کر دیا جاتا ہے، تاکہ ایک ہی چیک پوائنٹ بیک وقت کئی شعبوں میں ماہرانہ درجے کا رویہ رکھے، بجائے اس کے کہ وہ ایک ایسا ہمہ دان ہو جو ہر چیز میں اوسط ہو۔

جاری کردہ ماڈل دو رخی سوئچ کے بجائے درجہ بہ درجہ سوچ کے انداز پیش کرتا ہے۔ ہمارے گیٹ وے پر یہی معیاری reasoning_effort پیرامیٹر ہے، جو اس ماڈل کا سب سے کارآمد گھنڈی ہے:

• Low — تقریباً براہِ راست جواب: درجہ بندی، اخراج، دوبارہ تحریر، اور ہر وہ کام جہاں آپ ماڈل کے غور و فکر کے بجائے اس کے علم کی قیمت دے رہے ہوں۔
• Medium — کوڈ جائزے، خامی تلاشی اور کئی مرحلوں کے تجزیے کے لیے طے شدہ کام کا انداز۔
• High — جواب سے پہلے طویل غور۔ یہیں مشکل مسائل حل ہوتے ہیں، اور یہیں آپ کا خارج ٹوکن کا بل رہتا ہے، کیونکہ استدلالی ٹوکن اخراج کے طور پر بل ہوتے ہیں۔

چونکہ کوئی انکار کی پرت نہیں، اس لیے حساس موضوعات پر استدلالی سلسلہ کاٹا نہیں جاتا — سرکاری سروس پر دستاویز شدہ سوچ کے دباؤ والے انداز کے یہاں وقوع پذیر ہونے کا کوئی طریقہ کار ہی نہیں۔

06کوڈ اور ایجنٹی کام: بنیاد کے حاصل کردہ نمبر

یہ V4-Pro ریلیز کے لیے خود DeepSeek-AI کے شائع کردہ اعداد ہیں — ہمارے نہیں، اور ہمارے کوانٹائزڈ بلڈ پر ماپے ہوئے بھی نہیں۔ ہم انہیں اس لیے دکھاتے ہیں کہ یہی اس بنیاد کو چننے کی ایماندارانہ وجہ ہیں، اور انہیں فریقِ اول کے طور پر نمایاں کرتے ہیں تاکہ آپ ان کا وزن اسی حساب سے لگائیں۔

دو پر تبصرہ بنتا ہے۔ SWE-bench Verified پر 80.6% اصل ریپازٹری کے مسائل کا حل ہے — ایک انجان کوڈ بیس پڑھنا، خرابی ڈھونڈنا، اور ایسا پیچ بنانا جو خود اُس منصوبے کے ٹیسٹ پاس کرے۔ دس لاکھ ٹوکن پر MRCR (83.5) پوری لمبائی پر کئی دوروں کی ہم اشارہ بازیافت ہے، اور یہی وہ عدد ہے جو بتاتا ہے کہ طویل سیاق کا دعویٰ محض سجاوٹ نہیں۔ DeepSeek اس ماڈل کے لیے 3206 کی Codeforces درجہ بندی اور 1M سیاق پر CorpusQA میں 62.0 بھی بتاتا ہے۔

اوپر دیے گئے اعداد DeepSeek-V4-Pro حوالہ جاتی ریلیز کے لیے DeepSeek-AI کے بتائے ہوئے ہیں۔ ہمارا 3BIT-REAP بلڈ ان وزنوں کی سکڑی ہوئی صورت ہے اور ان کاموں پر اس کی آزادانہ بینچ مارکنگ نہیں ہوئی؛ حوالہ جاتی نمبروں کو بنیاد کی چھت سمجھیے، اس اینڈ پوائنٹ کی پیمائش نہیں۔

07262K سیاق: اصل میں کیا سماتا ہے

حوالہ جاتی ماڈل دس لاکھ ٹوکن کے لیے تربیت یافتہ ہے۔ ہم 262,144 پیش کرتے ہیں — وہی کھڑکی جو گیٹ وے کا ہر ماڈل بانٹتا ہے، اس لیے ماڈل بدلنا ایک سطر کی تبدیلی ہے اور کبھی سیاق میں تنزل نہیں ہوتا۔ عملاً 262K اُس نقطے سے آگے ہے جہاں زیادہ تر اصل کام میں سیاق تنگ پڑتا ہے:

کام	تخمینی ٹوکن	262K میں سماتا ہے؟
درمیانے حجم کی سروس ریپو (~50 ہزار سطریں)	~600K	نہیں — ماڈیول چنیے
ایک ذیلی نظام + اس کے ٹیسٹ	~60–120K	ہاں، آرام سے
کسی پروٹوکول کا مکمل RFC مجموعہ	~150K	ہاں
700 صفحات کی ایک تکنیکی کتاب	~250K	ہاں، حد کے قریب
لمبا ایجنٹ رن، 40+ ٹول باریاں	~80–200K	ہاں

جس حد کا منصوبہ بنانا ہے وہ اخراج ہے: فی جواب زیادہ سے زیادہ 16,384 ٹوکن۔ یہ ایک طویل دستاویز یا کئی فائلوں پر مشتمل خاصا بڑا پیچ ہے، مگر پورا کوڈ بیس نہیں۔ بڑے تخلیقی کام درخواستوں کو زنجیر میں جوڑ کر کیے جاتے ہیں، پچھلا اخراج دوبارہ سیاق میں ڈال کر — جسے 262K کی کھڑکی سستا بنا دیتی ہے — نہ کہ ایک ہی دیوہیکل تکمیل مانگ کر۔

08قیمت، اور صف میں V4-Pro کا مقام

فی ملین ٹوکن $1.95 داخل / $3.90 خارج پر، V4-Pro سرِفہرست استدلالی درجہ ہے — وہ ماڈل جس تک آپ اُس وقت پہنچتے ہیں جب مسئلہ مشکل ہو۔ جب یہ محض بڑا ہو، تو اسی 262K کھڑکی پر سستے ماڈل یہ کام چوتھائی قیمت پر کر دیں گے۔

بغیر سنسر شپ ماڈل	داخل / 1M	خارج / 1M	وژن	کس کے لیے بہترین
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	نہیں	مشکل استدلال، کوڈ، ایجنٹ
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	نہیں	وہی سلسلہ، زیادہ حجم
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	نہیں	ہمہ مقصد بار بردار
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	ہاں	اعلیٰ ترین کثیر وسیلہ ایجنٹ
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	ہاں	سب سے سستا وژن

جو موازنہ لوگ واقعی کریں گے اس کے بارے میں سیدھی بات: DeepSeek کا اپنا API اس سے سستا ہے — فریقِ اول V4-Pro تقریباً $0.435 داخل / $0.87 خارج درج کرتا ہے، اور ان کی کیش ہٹ داخلی قیمت اس سے بھی کم ہے۔ اگر فی ٹوکن قیمت ہی آپ کا واحد معیار ہے اور اعتدال کا رویہ آپ کے کام پر اثر نہیں ڈالتا، تو فریقِ اول کا API استعمال کیجیے؛ ہم آپ کو یہ بتا دینا بہتر سمجھتے ہیں بجائے اس کے کہ آپ بعد میں جانیں۔ اضافی قیمت خصوصیات کا ایک مختلف مجموعہ خریدتی ہے: نہ انکار کی پرت نہ اخراج کی چھلنی، Shannon Lab LLC کے تحت ایک امریکی چلانے والا، ایک پن کیا ہوا تاریخ والا چیک پوائنٹ (0813) تاکہ کوئی خاموش اپ اسٹریم اپ گریڈ منصوبے کے بیچ آپ کے نتائج نہ بدلے، ایک ماڈل کے سامنے تین API لہجے، اور صف کے بارہ کے بارہ ماڈلوں میں وہی 262K کھڑکی اور وہی پیرامیٹر سطح۔

09اسے پکارنا: تین لہجے، ایک ماڈل

گیٹ وے کا ہر ماڈل تینوں اینڈ پوائنٹس پر جواب دیتا ہے، ہر ایک پر اسٹریمنگ کے ساتھ۔ آپ نیا SDK نہیں اپناتے — آپ ایک بیس URL اور ایک ماڈل شناخت بدلتے ہیں۔

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 لہجہ؛ OpenAI کے SDKs اور ان پر بنی ہر چیز کے ساتھ کام کرتا ہے۔
• /v1/messages — Anthropic لہجہ، اُن کوڈ بیسز کے لیے جو پہلے ہی اس ساخت کے لیے لکھے جا چکے ہیں۔
• /v1/responses — Responses طرز کا انٹرفیس۔

اس ماڈل پر دستیاب: اسٹریمنگ، مقامی ٹول کالنگ، سخت json_schema ساختی اخراج، response_format، اور reasoning_effort۔ مکمل پیرامیٹر حوالہ اور ایک زندہ پلے گراؤنڈ API دستاویزکاری میں ہیں۔

10ایماندارانہ حدود

اس پر کچھ بنانے سے پہلے جاننے کی چار باتیں:

• وژن نہیں۔ صرف متن؛ یہ کسی بھی اینڈ پوائنٹ پر تصویری ان پٹ قبول نہیں کرے گا۔ اگر آپ کو ایسا بغیر سنسر شپ ماڈل چاہیے جو دیکھ سکے، تو Kimi-K3، Kimi-K2.6، MiniMax-M3، MiMo-V2.5 یا inkling استعمال کیجیے۔
• 16,384 ٹوکن کی اخراجی چھت۔ زیادہ محنت پر استدلالی ٹوکن اسی میں شمار ہوتے ہیں، اس لیے طویل غور جواب کے لیے کم جگہ چھوڑتا ہے۔ بڑے تخلیقی کاموں کے لیے درخواستیں زنجیر میں جوڑیے۔
• 3-bit ایک حقیقی ترکیب ہے۔ حوالہ جاتی نمبر بنیاد کو بیان کرتے ہیں، اس بلڈ کو نہیں۔ سب سے زیادہ وفاداری والے درجے کے لیے، W8A16 ماڈل (MiMo-V2.5-Pro، MiMo-V2.5، Hy3) سب سے کم کوانٹائزیشن رکھتے ہیں۔
• بغیر سنسر شپ ہونے کے نتائج ہوتے ہیں۔ انکار کی پرت نہ ہونے کا مطلب ہے کہ آپ کیا پوچھتے ہیں اور جواب کا کیا کرتے ہیں، اس کی ذمہ داری آپ پر ہے — ہماری شرائطِ خدمت اور اُس جگہ کے قانون کے تحت جہاں آپ کام کرتے ہیں۔

11اکثر پوچھے جانے والے سوالات

---

مآخذ: DeepSeek-AI — DeepSeek-V4-Pro ماڈل کارڈ · DeepSeek-V4 تکنیکی رپورٹ (CSA/HCA، mHC، Muon) · DeepSeek-V2 (MLA، DeepSeekMoE) · DeepSeek-V3 تکنیکی رپورٹ · REAP the Experts (Cerebras Research) · Promptfoo سنسر شپ جائزہ · Discovering Forbidden Topics in Language Models۔ بینچ مارک اعداد حوالہ جاتی ریلیز کے لیے DeepSeek-AI کے بتائے ہوئے ہیں؛ سکڑے ہوئے بلڈ کی آزاد فریقِ ثالث تصدیق ابھی باقی ہے۔ قیمتیں 5 ستمبر 2026 تک Shannon AI کی فہرست قیمتیں ہیں۔