Senzurasiz DeepSeek Flash API

LLM API ni baholayotgan jamoalarning aksariyati noto'g'ri o'zgaruvchini optimallashtiradi. Ular o'ylab topa oladigan eng qiyin yigirmata so'rovda benchmark o'tkazadi, g'olibni tanlaydi va olti hafta o'tib trafiklarining to'qson besh foizi qisqa, tuzilmali, takroriy ish ekanini, uni chorak baravar arzon model ham xuddi shunday bajarganini bilib qoladi. DeepSeek-V4-Flash aynan o'sha to'qson besh foiz uchun bor. Bu sahifa siz qachon o'sha foizning ichida ekaningizni — va qachon emasligingizni — bilish haqida.

01Siz aslida nima olasiz

Xususiyat	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Model id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kontekst / maksimal chiqish	262,144 token / 16,384 token
1M uchun narx (kirish / chiqish)	$0.50 / $2.00
Striming · vosita chaqirish · fikrlash	Ha — uchala dialektda
Tuzilmali chiqish	json_schema va response_format
Rasm kirishi (tasvir)	Yo'q — faqat matn
Rad etish qatlami / chiqish filtri	Yo'q
Qayerda xizmat qiladi	Shannon ning o'z GPU klasteri

Uchta API dialekti bir xil og'irliklarga yetib boradi: /v1/chat/completions (OpenAI shaklida), /v1/messages (Anthropic shaklida) va /v1/responses. Striming uchalasida ham ishlaydi. Parametrlarning to'liq ma'lumotnomasi API hujjatlarida.

02U qayerdan kelgan: DeepSeek nasli

DeepSeek-AI besh model avlodini bitta ishtiyoqqa sarfladi: shunchaki o'qitishi arzon emas, xizmat qilishi arzon bo'lgan modeldan chegaradagi xulqni olish. Yo'nalishdagi deyarli har bir arxitektura qarori shunga borib taqaladi va muhimlari chop etilgan. Uchtasi bu endpointga murojaat qilganingizda nimani chaqirayotganingizni tushuntiradi.

DeepSeekMoE — mayda donali ekspertlar plyus bitta umumiysi

Mixture-of-Experts qatlami bitta katta oldinga uzatuvchi tarmoqni ko'plab kichikroqlari va har bir tokenga bir hovuchini tanlaydigan router bilan almashtiradi. DeepSeek ning varianti ekspertlarni odatiy sakkiz ekspertli tartibga nisbatan maydaroq to'g'raydi, shuning uchun o'sha aktivlashtirilgan FLOP lar ancha kombinatorik jihatdan aniqroq aralashmani sotib oladi, va u har bir token o'tadigan umumiy ekspertni ajratib qo'yadi, shunda umumiy bilim har bir mutaxassis ichida ortiqcha qayta o'rganilmaydi. DeepSeek-V3 buni 256 yo'naltiriladigan ekspert plyus 1 umumiy ekspert, har bir tokenda 8 yo'naltiriladiganini aktivlashtirgan holda — jami 671B parametr, 37B aktiv — hamda yordamchi yo'qotishsiz yuk muvozanati bilan chiqardi: sifatni pasaytiradigan jarima hadi o'rniga, ekspertga xos siljish o'sha ekspert kam yoki ortiq yuklangani sari har qadamda yo'naltirish ballarini yuqoriga yoki pastga suradi.

MLA — xotiraga sig'adigan e'tibor

Xizmat narxi muammosining ikkinchi yarmi — kontekst bilan chiziqli o'sadigan va uzun ketma-ketlik uzunliklarida xotirada hukmronlik qiladigan KV kesh. DeepSeek-V2 da taqdim etilgan Multi-head Latent Attention kalitlar va qiymatlarni birgalikda past rangli latent vektorga siqadi va o'shani keshlaydi, ishlatsa bo'ladigan K/V ni esa yo'l-yo'lakay qayta tiklaydi. DeepSeek ning oldingi zich DeepSeek 67B ga qarshi chop etgan V2 ko'rsatkichlari KV keshning 93.3% ga kamayishi va 5.76× yuqori maksimal generatsiya o'tkazuvchanligi haqida xabar beradi. 262K tokenli oyna bu oilada premium qo'shimcha emas, oddiy standart bo'lishining sababi shu.

Siyrak e'tibor — va arzon tokenlar uchun pretsedent

V3.2-Exp DeepSeek Sparse Attention ni qo'shdi: yengil indekslovchi kontekst tokenlarini so'rovga qarab baholaydi, selektor esa faqat eng yuqori ball olganlarini qoldiradi. Qiziq qismi — mexanizm emas, kvitansiya. DeepSeek V3.1-Terminus ga qarshi yonma-yon taqqoslashni chop etdi: MMLU-Pro 85.0 da bir xil, AIME 2025 o'sgan (88.4 → 89.3), SWE-bench Verified biroz pasaygan (68.4 → 67.8) — mohiyatan tekis sifat — va o'sha kuni API narxlarini 50% dan ko'proqqa tushirdi. Halol xabar qilingan arxitektura bevosita narxga aylanadi. Flash — shu dalilning yana bir qadam olg'a olib borilgani.

V4 avlodi

2026-yil aprelda MIT litsenziyasi ostida oldindan ko'rsatilgan V4 e'tibor to'plamini yana Compressed Sparse Attention va Heavily Compressed Attention gibridi bilan almashtiradi, 32T dan ortiq tokenda Muon optimizatori bilan o'qiydi va V3 ning ko'p tokenli bashorat maqsadini saqlaydi — u bir vaqtning o'zida spekulyativ dekodlash vazifasini ham bajaradi va DeepSeek uni V3 da taxminan 1.8× dekodlash tezlanishi uchun 85–90% ikkinchi token qabul qilish darajasida o'lchagan. V4 annotatsiyasi V4-Pro V3.2 ning bir tokenli inference FLOP larining 27% i va KV keshining 10% i da ishlashini xabar qiladi. Oila uchta fikrlash intensivligi darajasini ochadi va bizning reasoning_effort parametrimiz aynan shunga moslashadi.

Manbalar: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · DeepSeek-V3.2-Exp model kartasi · DeepSeek-V4 (arXiv 2606.19348). Barcha ko'rsatkichlar DeepSeek tomonidan xabar qilingan.

03"Flash" aslida nimani anglatadi

Taqqoslashlarning aksariyati aynan shu nuqtada xato qiladi, shuning uchun uni ochiq aytish arziydi: DeepSeek ning Flash i kvantlangan, kesilgan yoki distillangan Pro emas. Bu — o'z oldindan o'qitish yurishiga ega, alohida o'qitilgan, kichikroq Mixture-of-Experts modeli. V4 oldindan ko'rsatilish maqolasi ikkita o'lchamni beradi:

Ko'rsatkichlar DeepSeek-V4 oldindan ko'rsatilish maqolasidan. Biz xizmat qiladigan rasmiy nazorat nuqtalari — V4-Flash-0731 va V4-Pro-0813 — o'z model kartalarida biroz kattaroq jami 304B va 1.7T ni ro'yxatlaydi; DeepSeek o'sha yig'malar uchun aktivlashtirilgan parametrlarni qayta e'lon qilmaydi.

Bu yerda ishni ikkita raqam bajaradi. Jami parametrlar xotira izini belgilaydi, bu esa modelning bir nusxasi qancha apparatni egallashini hal qiladi. Aktivlashtirilgan parametrlar har bir tokendagi arifmetikani belgilaydi, bu esa o'tkazuvchanlikni hal qiladi. Flash birinchisida taxminan 5.6× kichik, ikkinchisida 3.8× kichik — va o'sha farqda payqashga arziydigan nozik jihat bor: Flash 284 milliarddan 13 tasini, ya'ni taxminan 4.6% ini aktivlashtiradi, Pro esa 1,600 milliarddan 49 tasini, ya'ni taxminan 3.1% ini. Flash — kamroq siyrak model. U shunchaki kamroq eksperti yoqilgan Pro emas; u zichroq, boshqacha muvozanatlangan dizayn bo'lib, ishlab chiqaradigan har bir tokenga o'zining kattaroq ulushini sarflaydi. Bu — pasaytirish emas, haqiqiy muhandislik tanlovi.

DeepSeek ning o'z raqamlari nima deydi

Ikkala rasmiy model kartasi ham bir xil agentlik va dasturiy injiniring benchmarklarida ball chop etadi, bu esa taqqoslashni g'ayrioddiy toza qiladi — bir laboratoriya, bir baholov karkasi, ikkita o'lcham:

Benchmark (DeepSeek xabar qilgan)	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 har bir qatorda yutadi. Bu — halol sarlavha va biz uni ishlab chiqarishda kashf etganingizdan ko'ra shu yerda o'qiganingizni afzal ko'ramiz. Lekin farqlarni o'qing, chunki siz aslida shularni sotib olayapsiz. Terminal Bench 2.1 da tafovut parametrlarning yigirma beshdan biriga ega modelda 5.2 punkt; vosita ishlatishida u 3.8 punkt. Ish eng chuqurlashgan joyda tafovut kengayadi — DeepSWE da 8.3 punkt, NL2Repo da 7.3 punkt, ikkalasi ham uzoq davom etadigan ko'p bosqichli kod mulohazasini mukofotlaydi. Kelishuvning shakli bitta jadvalda: Flash chegaralangan vazifalarda masofaning ko'p qismini yopadi va ochiq uchli vazifalarda maydonni beradi.

DeepSeek ning o'z Flash kartasi fikrni yanada keskinroq qo'yadi: Flash-0731 aktivlashtirilgan parametr soni ancha kichik bo'lishiga qaramay, ro'yxatlangan benchmarklarda V4-Pro oldindan ko'rsatilish versiyasidan ustun keladi. Yangiroq kichik modelning eskiroq kattasini yengishi — bu sohada odatiy holat va "kattaroq daraja" hech qachon standart javobingiz bo'lmasligi kerakligining sababi shu.

04Qo'shimchani o'qish: W4A16-AUTOROUND-REAP

Bizning model id larimiz o'z siqish sxemasini ovoz chiqarib aytadi, chunki chiqish sifatiga eng ko'p ta'sir qiladigan va deyarli hech kim oshkor qilmaydigan narsa aynan shu. Bunisi uchta da'voga ajraladi.

W4A16 — 4-bitli og'irliklar, 16-bitli aktivatsiyalar

Og'irliklar har biri 4 bitda saqlanadi; aktivatsiyalar 16-bitli aniqlikda oqib o'tadi. Bu — faqat og'irlik kvantlashi va u token generatsiyasidagi haqiqiy tor joyni, ya'ni arifmetikani emas, xotira o'tkazuvchanligini nishonga oladi. Aktivatsiyalarni ham kvantlash biroz ko'proq tezlik sotib olib, ancha kattaroq aniqlik jarligi xavfini tug'dirar edi; ularni 16 bitda qoldirish — konservativ, yuqori sadoqatli tanlov. Bu belgilash — xizmat ekotizimining qisqartmasi, kvantlash adabiyoti xuddi shu narsani guruh o'lchami bilan W4 deb yozadi.

AUTOROUND — eng yaqinga emas, o'rganilgan yaxlitlash

Sodda kvantlash har bir og'irlikni eng yaqin ifodalasa bo'ladigan qiymatga yaxlitlaydi. Bu isbotlangan tarzda optimal emas: bitta og'irlikni "noto'g'ri" tomonga yaxlitlash qo'shnilari kiritgan xatolikni bekor qilishi mumkin va milliardlab og'irlik bilan bu o'zaro ta'sirlar hukmronlik qiladi. Intel dan chiqqan AutoRound yaxlitlash qarorining o'zini o'rganish mumkin bo'lgan narsa deb qaraydi — ±0.5 bilan chegaralangan, ya'ni har qanday bitta yaxlitlash qarorini ag'darishga aynan yetadigan va undan ortiq bo'lmagan, o'qitiladigan og'irlikka xos buzilish, plyus o'rganiladigan kesish oraliqlari, kichik kalibrlash to'plami ustida blokka xos chiqishni qayta tiklash maqsadiga qarshi ishorali gradient tushishi bilan optimallashtiriladi. Ikki yuz qadam, keyin tamom.

Intel ning chop etilgan taqqoslashlarida AutoRound 4-bitli faqat og'irlik sozlamalarida sinovdan o'tgan 32 stsenariydan 30 tasida GPTQ dan, 32 tadan 27 tasida AWQ dan va 32 tadan 29 tasida OmniQuant dan ustun keladi, 2 bitda esa sodda eng yaqinga yaxlitlashga nisbatan 6.9 dan 33.2 gacha aniqlik punkti yutuq beradi. Buning hech biri inference paytida hech narsaga tushmaydi: bu — bir marta, oflayn qilingan yaxshiroq raqamlar tanlovi.

REAP — hech kim yo'naltirmaydigan ekspertlarni tashlash

Cerebras Systems va Kalgari universitetidan chiqqan REAP (Router-weighted Expert Activation Pruning) — MoE modellari uchun bir zarbali siqish. U har bir ekspertni router unga qanchalik kuchli va qanchalik tez-tez darvoza ochishiga qarab baholaydi, buni o'sha ekspert chiqishining kattaligiga ko'paytiradi, so'ng eng kam ahamiyatli ekspertlarni butunlay o'chiradi — keyin hech qanday qayta o'qitishsiz.

Maqolaning markaziy topilmasi foydali bo'lgani: yuqori siqish nisbatlarida ekspertlarni kesish ularni birlashtirishdan ustun keladi. Funksional jihatdan farqli ekspertlarni birlashtirish mualliflar funksional kichik fazoning yopilishi deb ataydigan narsani keltirib chiqaradi — router MoE ni qurishga arziydigan qilgan mayda donali, kirishga bog'liq nazoratni yo'qotadi va statik o'rtachalar orasida boshqarib qolaveradi. Ularning 20B dan 1T parametrgacha bo'lgan modellar bo'ylab raqamlari: kodlash vazifalarida 25% ekspert siqishida REAP o'rtacha aniqlikning 2.8% ini yo'qotadi, birlashtiruvchi bazaviy usullar esa 5% dan ortiqni; 50% da REAP 8.0% ni yo'qotadi, birlashtirish esa 20% dan ortiqni. 50% kesishdagi Qwen3-Coder-480B da pasayish 1.4%, chastotaga asoslangan sodda kesishdagi 39.3% ga qarshi. Cerebras boshqalar qatorida DeepSeek yo'nalishi uchun ham REAP nazorat nuqtalarini chop etgan.

Nega bu yerda 4-bit va Pro da 3-bit

Ikkala daraja ham bir sinf apparatga sig'ib, tez qolishi kerak. Pro 1.7 trillion parametrni olib yuradi, shuning uchun unga umuman sig'ish uchun agressivroq 3-bitli ishlov kerak. Flash taxminan 300 milliardni olib yuradi, ya'ni unga kerak emas — va tejab qolgan biti sig'ishga emas, sadoqatga sarflanadi.

O'sha qo'shimcha bit arifmetikasi ko'rsatganidan ko'proq ahamiyatga ega, chunki kvantlash shikasti chiziqli emas. AWQ maqolasining WikiText-2 o'lchovlarida Llama-2-7B FP16 dagi 5.47 chalkashlikdan 4-bitda 5.60 ga — 2.4% jarima — lekin 3-bitda 6.24 ga, ya'ni 14% jarimaga o'tadi. Bu 25% ko'proq siqish uchun taxminan olti barobar yomonlashuv va o'sha naqsh 70B da ham saqlanadi. GPTQ maqolasi yanada keskinroq: 3 bitda sodda eng yaqinga yaxlitlash 175B sinfidagi modellarda minglab chalkashlikka qulaydi, 4 bitda esa mukammal ishlatsa bo'ladigan holatda qoladi. To'rt bitdan pastda yaxshi kvantlash algoritmi go'zallik bo'lishdan to'xtaydi va modelni birga ushlab turadigan yagona narsaga aylanadi.

Demak, bu ikki qo'shimchaning halol o'qilishi shunday: Flash o'zining kvantlanmagan holatiga Pro o'zinikiga turganidan yaqinroq turadi. Pro baribir kuchliroq model — yuqoridagi benchmark jadvali buni hal qiladi. U shunchaki bu yerga yetish uchun ko'proq narsa berdi va siz shu imtiyoz uchun to'laysiz.

Manbalar: 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. Chalkashlik ko'rsatkichlari AWQ (arXiv 2306.00978) va GPTQ (arXiv 2210.17323) dan.

05Endpointda Flash va Pro

03-bo'lim poydevorlarni qamrab oldi. Mana, ikkala daraja bizning gateway imizda mahsulot sifatida qanday ko'rinadi:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantlash	W4A16-AUTOROUND-REAP	3BIT-REAP
Og'irlik aniqligi	4-bit, o'rganilgan yaxlitlash	3-bit
Poydevor (jami / aktiv)	~304B / 13B	~1.7T / 49B
1M token uchun kirish	$0.50	$1.95
1M token uchun chiqish	$2.00	$3.90
Kontekst / maksimal chiqish	262,144 / 16,384	262,144 / 16,384
Vositalar · tuzilmali chiqish · striming	Ha	Ha
Tasvir	Yo'q	Yo'q
Rad etish qatlami	Yo'q	Yo'q

Nima o'zgarmasligiga e'tibor bering: kontekst, chiqish shifti, vosita chaqirish, tuzilmali chiqish va rad etish qatlamining yo'qligi bir xil. Faqat poydevor, kvantlash va narx harakatlanadi. Bu esa ular orasida almashishni kodingizdagi bir qatorli o'zgarish va arxitekturangizdagi sof iqtisodiy qarorga aylantiradi.

Bitta maksimal o'lchamli chaqiriq qancha turadi

Butun 262,144 tokenli kontekstni to'ldiring va to'liq 16,384 tokenli chiqishni oling:

Ro'yxat narxida. Flash: $0.131 kirish + $0.033 chiqish. Pro: $0.511 + $0.064. Nisbat 3.51×. Flash $0.50 / $2.00 eng quyi chegarasini MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro va Hy3 bilan ham bo'lishadi — ularning tasvir va tuzilmali chiqishda qanday farq qilishini to'liq katalogda ko'ring.

06Hajm arifmetikasi, hisoblab chiqilgan

"3.9× arzonroq" faqat kirishda to'g'ri. Chiqishda Flash 1.95× arzonroq. Demak, haqiqiy tejamingiz kirish-chiqish nisbatingizga bog'liq va tarqalish dizayn qarorlarini o'zgartiradigan darajada keng. To'rtta real ish yuki, har biri 100,000 so'rovda:

Ish yuki	Bir chaqiriqda kirish / chiqish	Flash	Pro	Tejam
Murojaatlarni tasniflash	1,200 / 120	$84	$281	3.3×
RAG savol-javobi	8,000 / 600	$520	$1,794	3.4×
Uzun hujjat xulosasi	60,000 / 1,500	$3,300	$12,285	3.7×
Sintetik ma'lumot generatsiyasi	500 / 2,000	$425	$878	2.1×

Naqsh shunday: qancha ko'p kontekst itarsangiz va qancha kam matn generatsiya qilsangiz, Flash sizga shuncha ko'p tejaydi. Qidiruv quvurlari, hujjat saralash, log va transkript tahlili hamda uzun kontekstli ajratib olish — eng shirin nuqta; ular kirish bo'yicha bir tartib ustunroq, kirish esa 3.9× chegirma yashaydigan joy. Aksincha, ish yukingiz mingga token nasr ishlab chiqaradigan qisqa so'rov bo'lsa, tafovut taxminan 2× ga toraya boradi va Pro foydasiga qobiliyat dalili mos ravishda kuchayadi.

Ichiga singdirishga arziydigan yana bitta arifmetika: million kirish tokeni uchun $0.50 da butun 262,144 tokenli oynani to'ldirish 13.1 sent turadi. Shu narxda uzun kontekstli so'rov berish byudjet masalasi bo'lishdan to'xtaydi, bu esa ba'zan qidiruv qatlamini umuman qurmasdan ishni kontekst oynasiga qoldirishingiz mumkinligini anglatadi — token tejamining ustiga muhandislik tejami.

07Bu yerda "senzurasiz" aynan nimani anglatadi

So'z erkin ishlatiladi, shuning uchun bizning ta'rifimiz mana, endpointning xususiyati sifatida aytilgan: modelning oldida rad etish klassifikatori turmaydi va uning chiqishiga kontent filtri qo'llanmaydi. Hech narsa so'rovni ushlab qolib tayyor rad javobini qaytarmaydi; hech narsa yakunlanmani tekshirib, undan qismlarni olib tashlamaydi. Katta hajmli ishlab chiqarish ishi uchun oqibatlar so'z ko'rsatganidan kamroq dramatik va ko'proq foydali:

• Zararsiz trafikda yolg'on ijobiy natijalar yo'q. Filtrlangan endpointlar muntazam ravishda tibbiy xulosalarni, xavfsizlik sharhlarini, huquqiy hujjat qidiruvini, badiiy adabiyotni, zararni kamaytirish materiallarini va moderatsiya ishining o'zini rad etadi — aynan ommaviy vazifa zararli narsa ishlab chiqarish emas, nozik mavzu haqidagi matnni qayta ishlaydigan toifalarni. Yuz ming so'rovda bir foizlik yolg'on rad etish darajasi — bu ming buzilgan qator.
• Determinlashgan shartnomalar. json_schema javobini so'rang va obyekt turishi kerak bo'lgan joyda uzr paragrafini emas, sxemaga mos JSON ni olasiz. Ajratuvchingizga rad etish shoxi kerak emas va qayta urinish mantiqingiz transport nosozligini siyosat nosozligidan ajratishi shart emas.
• Siyosat sizniki. Kelishuv shu. Agar mahsulotingizga oxirgi foydalanuvchilaringiz uchun himoya to'siqlari kerak bo'lsa, siz ularni provayderning ikkalasi haqidagi taxminlarini meros qilib olish o'rniga, foydalanuvchilaringizni va yurisdiksiyangizni biladigan o'z qatlamingizda quriladi. Akkauntingiz Mas'uliyatli Foydalanish Siyosatimiz bilan boshqarilishda qoladi.

Senzurasiz — moslashtirilmagan yoki foydasiz degani emas. Model baribir ko'rsatmalarga amal qiladi va baribir tizim so'roviga hurmat qiladi. Agar u sizning foydalanuvchilaringiz uchun ayrim toifalarni rad etishini istasangiz, buni o'sha yerda ayting — endi bu ko'rsatma biz yuklaydigan emas, siz yozadigan narsa.

08Qobiliyatlar va halol chegaralar

Hajmli ish uchun asosiy og'irlikni ikkita qobiliyat ko'taradi. Qat'iy json_schema chiqishi yakunlanmani ajratish qatlamisiz va rad etish shoxisiz ma'lumotlar bazasi qatoriga aylantiradi. Uchala dialektda vosita chaqirish Flash ni yuqori darajadagi rejalashtiruvchisi kuchliroq modelda ishlaydigan agentning arzon oraliq qadamlari uchun oqilona dvigatelga aylantiradi. Bunga reasoning_effort ni qo'shing — u qo'shimcha tokenlarni faqat ularga muhtoj trafik ulushiga sarflashga imkon beradi — hamda Pro nikiga aynan teng 262,144 tokenli kontekstni: arzon darajani tanlab kontekstdan voz kechmaysiz, bu esa g'ayrioddiy.

Chegaralar ham xuddi shunday aniq:

• Tasvir yo'q. Flash faqat matnli va xabardagi rasm qismlarini rad etadi. Xuddi shu $0.50 / $2.00 eng quyi chegarasida senzurasiz modelda rasmlar uchun tasvirga qodir variantlar — MiniMax-M3 va MiMo-V2.5; Kimi-K2.6 va Kimi-K3 esa o'sha darajadan yuqoridagi kuchliroq tasvir modellari.
• Zinapoyaning eng tepasi emas. DeepSeek ning o'z raqamlari Pro ni har bir chop etilgan agentlik benchmarkida oldinga qo'yadi, tafovut esa uzoq davom etadigan ko'p bosqichli kod mulohazasida eng keng. Bitta noto'g'ri javob mingta arzonidan qimmatga tushadigan joyda millionga qo'shimcha $1.45 ni DeepSeek-V4-Pro ga sarflang.
• Har bir so'rovga 16,384 chiqish tokeni. Uzun generatsiyalar chaqiriqlar bo'ylab bo'laklanishi kerak. Bu — biz xizmat qiladigan har bir modeldagi bir xil shift va u kontekst oynasidan ancha oldin cheklaydi.

09Uni chaqirish

Har qanday OpenAI mos klientni gateway ga yo'naltiring va model qatorini o'zgartiring. To'plamingizdagi boshqa hech narsa qimirlashi shart emas.

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
        }
      }
    }
  }'

O'sha model id si /v1/messages va /v1/responses da ham o'zgarishsiz ishlaydi, bu esa klientingizni qaytadan yozmasdan mavjud integratsiya ostida arzonroq modelni A/B sinovdan o'tkazishning eng tez yo'li. Parametrlar, striming hodisa shakllari, vosita chaqirish sxemalari va so'rov chegaralari API ma'lumotnomasida hujjatlashtirilgan; katalogdagi har bir model Shannon Research da ro'yxatlangan.

10Ko'p beriladigan savollar

---

Manbalar: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 Technical Report (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731 va DeepSeek-V4-Pro-0813 model kartalari · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Barcha poydevor va benchmark ko'rsatkichlari tegishli mualliflari chop etganidek; Shannon AI narxlari va xizmatga qo'yilgan kontekst 2026-yil sentabr holatiga ko'ra bizning o'z ro'yxat qiymatlarimiz.