Senzurasiz DeepSeek API

"Senzurasiz DeepSeek API" iborasiga kelayotganlar bitta aniq narsani xohlaydi: DeepSeek ning fikrlash va kod yozish qobiliyatiga ega hamda ular haqiqatan bergan savolga javob beradigan model. Qobiliyat yarmi yaxshi hujjatlashtirilgan — DeepSeek-AI arxitektura va raqamlarni chop etgan, og'irliklar esa MIT ostida Hugging Face da. Ikkinchi yarmi — operatsion qaror va u odatda siz uchun qabul qilinadi. Bu sahifa ikkalasini ham qamrab oladi: V4-Pro poydevori nima, bizning 3BIT-REAP yig'mamiz unga nima qiladi va biz "senzurasiz" deganda bu aynan nimani anglatadi.

01"Senzurasiz DeepSeek API" aslida nimani anglatadi

Bitta so'z ostiga ikki xil mexanizm tushadi. Birinchisi — og'irliklarga singdirilgan tekislash: post-training davomida o'rganilgan rad etish xatti-harakati. Ikkinchisi — xizmat tomonidagi moderatsiya qatlami: model ko'rishidan oldin promptingizni va siz ko'rishingizdan oldin chiqishni tekshiradigan alohida klassifikator, u model nima demoqchi bo'lganidan qat'i nazar javobni gap o'rtasida uzib qo'yishi mumkin.

Ikkalasini ham o'lchash mumkin va DeepSeek ning birinchi tomon xizmati o'lchangan. Promptfoo siyosiy jihatdan nozik savollardan 1,360 promptli to'plam yig'di va DeepSeek ning hosting qilingan R1 i ulardan 1,156 tasini rad etgani yoki chetlab o'tganini — taxminan 85% ni — xabar qildi. Shu oila bo'yicha akademik ish mualliflar fikrni bostirish deb atagan alohida nosozlik rejimini topdi: nozik mavzuda modelning fikrlash izi boshlanishi bilanoq deyarli darrov tugaydi. Information Sciences da chop etilgan alohida audit semantik darajadagi bostirishni hujjatlashtirdi: modelning ichki fikrlashida mavjud bo'lgan kontent foydalanuvchiga yetib borishidan oldin jimgina tushirib qoldiriladi yoki qayta yoziladi. Bu ochiqdan-ochiq rad etishdan ko'ra qiyinroq muammo, chunki qirqilgan javob javobga o'xshab ko'rinadi.

Biz ishlatadigan narsa — ochiq og'irliklar relizi, biz boshqaradigan uskunada, AQSh da, Shannon Lab LLC ostida. Model oldida rad etish qatlami yo'q va qaytadigan narsaga filtr qo'llanmaydi: promptingiz xizmat ko'rsatishdan oldin siyosat bo'yicha tasniflanmaydi, chiqish oqimi esa chiqib ketayotganda tekshirilmaydi. Poydevor MIT litsenziyali va ommaviy bo'lgani uchun, bizning so'zimizga ishonish o'rniga chiqishlarimizni etalon og'irliklarga qarshi o'zingiz solishtirib ko'rishingiz mumkin.

02Poydevor: DeepSeek-V4-Pro, 1,6T MoE

DeepSeek-V4 — DeepSeek-AI ning joriy ochiq og'irliklar oilasi; 2026-yil aprelida oldindan ko'rsatildi va MIT ostida ikki o'lchamda chiqarildi: V4-Flash (jami 284B, aktiv 13B) va V4-Pro (jami 1,6T, aktiv 49B). Bu maqola Pro darajasi haqida. Ikkalasi ham taxminan 33 trillion token da oldindan o'qitilgan va ikkalasi ham million tokenli kontekstni nativ qo'llab-quvvatlaydi.

E'tibor berish kerak bo'lgan narsa — siyraklik nisbati: har qanday tokenda parametrlarning atigi 3% ga yaqini ishga tushadi va aynan shu narsa bunchalik katta modelni umuman xizmat qildirsa bo'ladigan qiladi. MoE bloki hali ham DeepSeekMoE — V2 da kiritilgan mayda donali yo'naltirilgan ekspertlar plyus doim yoqiq umumiy ekspertlar — V4 da faqat kichik o'zgarishlar bilan, eng ko'zga tashlanadigani eng dastlabki qatlamlardagi hash routing. V3 ning yordamchi maqsadi bo'lgan va spekulyativ dekodlashni ham mumkin qiladigan Multi-Token Prediction o'zgarishsiz saqlangan.

V4 dagi yangi qismlar tuzilmaviy. Manifold-Constrained Hyper-Connections (mHC) oddiy residual yo'lni Sinkhorn–Knopp proyeksiyasi orqali ikki tomonlama stoxastik matritsalar manifoldiga cheklangan o'rganiladigan aralashtirish matritsasi bilan almashtiradi — bu juda chuqur steklarni o'ldiradigan sonli siljishsiz, kirishga qarab qayta og'irlik beradigan residual oqim. O'qitish ko'pchilik modullar uchun AdamW dan Muon ga o'tdi, Newton–Schulz ortogonallashtirishidan foydalanib; AdamW faqat embeddinglar, bashorat boshlari, normallashtirish va statik mHC parametrlari uchun qoldirildi. Ekspert og'irliklari esa FP4 da o'qitiladi, boshqa parametrlarning aksariyati FP8 da — boshidanoq kvantlashga moslashgan, bu esa model keyingi siqishni qanchalik yengil ko'tarishi uchun muhim.

03MLA dan CSA + HCA ga: DeepSeek uzun kontekstni qanday arzon saqlaydi

DeepSeek ning to'rt avlod bo'ylab o'tgan asosiy chizig'i — o'lcham emas, e'tibor iqtisodiyoti. Har bir versiya kontekst bilan chiziqli o'sadigan va uzun uzunliklarda xotirani egallaydigan KV keshiga hujum qilgan.

• V2 Multi-head Latent Attention (MLA) ni kiritdi — kalitlar va qiymatlarni latent vektorga past rangli birgalikda siqish, shunda generatsiya to'liq boshlararo K va V o'rniga o'sha vektorni plyus ajratilgan RoPE kalitini keshlaydi. DeepSeek KV keshi standart ko'p boshli e'tiborning taxminan 4–14% igacha tushganini, sifat esa saqlangani yoki yaxshilanganini xabar qildi.
• V3 buni 671B ga miqyoslab, MLA ni ochiq modellarda arzon uzun kontekst uchun standart taxminga aylantirdi.
• V3.2 DeepSeek Sparse Attention (DSA) ni qo'shdi: hamma narsaga e'tibor berish o'rniga har bir so'rov uchun tarixning top-k qismini yengil indekser orqali tanlaydi.
• V4 gibridlashtiradi. Compressed Sparse Attention (CSA) avval har m tokenning KV yozuvlarini o'rganiladigan og'irliklar bilan bitta yozuvga siqadi, so'ng shu siqilgan yozuvlar ustida siyrak top-k tanlovni bajaradi. Heavily Compressed Attention (HCA) ancha agressivroq siqadi, lekin natija ustida zich bo'lib qoladi. Ikki qatlam turi stek bo'ylab navbatlashtiriladi, shunda arzon global xulosa va aniq lokal qidiruv birga yashaydi.

Million tokenli kontekstdagi xabar qilingan foyda keskin: V4-Pro V3.2 ning har bir tokendagi inference FLOP larining taxminan 27% ini va KV keshining 10% ini talab qiladi. Aynan shuning uchun 262K li so'rov xotira hodisasi emas, oddiy so'rov kabi o'zini tutadi va shuning uchun uzun kontekst qidiruvi raqamlari bir necha o'n minglab tokendan keyin qulab tushish o'rniga o'z darajasida qoladi.

043BIT-REAP qo'shimchasi nimani anglatadi

Katalog id imiz 3BIT-REAP bilan tugaydi va bu tartib bilan qo'llangan ikkita mustaqil siqish qadamini tavsiflaydi.

REAP: ekspertlarni birlashtirish emas, kesish

REAP — Cerebras Research dan chiqqan Router-weighted Expert Activation Pruning; "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", ICLR 2026 ga qabul qilingan. Siyrak MoE da router o'z ekspertlaridan bir tekis foydalanmaydi: uzun dum kamdan-kam, kuchsiz yoki ikkalasi bilan tanlanadi. REAP har bir ekspertni router darvoza qiymatlari (u qanchalik tez-tez va qanchalik kuchli tanlanadi) bilan ekspert aktivatsiya normalari ni (uning chiqishi qanchalik hissa qo'shadi) birlashtirib baholaydi, so'ng yutqazganlarni butunlay o'chiradi.

Maqolaning dalili shuki, kesish birlashtirishdan ustun: birlashtirish MoE ni qurishga arziydigan qilgan funksional ixtisoslashuvni o'rtachalashtirib yo'q qiladi, router deyarli yetib bormaydigan ekspertlarni o'chirish esa uni saqlaydi. 20B dan 1T gacha bo'lgan modellarda REAP generativ benchmarklarda birlashtirish va raqobatchi kesish usullaridan ustun chiqdi va mualliflar Qwen3-Coder-480B hamda Kimi-K2 da 50% ekspert kesishda kod generatsiyasi va vosita chaqirishda deyarli yo'qotishsiz natijalarni xabar qiladi — bu esa aynan shu model shu yerda turgan ish profili.

3-bitli og'irliklar: eng katta poydevorlar uchun siqish darajasi

Omon qolgani keyin 3-bitli og'irliklarga kvantlanadi. Uch bit — agressiv qadam va biz buni yashirmaymiz: saf bo'ylab poydevor siqishga muhtoj bo'lmaguday kichik bo'lgan joyda W8A16 ni, o'rtada W4A16-AUTOROUND-REAP ni ishlatamiz, 3BIT-REAP ni esa faqat eng katta poydevorlarda — u yerda bu modelga xizmat qilish yoki qilmaslik o'rtasidagi farq.

Kelishuvni ochiq aytish kerak: 3-bitli 1,6T MoE etalon reliz bilan bit-bitiga bir xil emas va kichik sifat narxi haqiqiy. Buning evaziga siz shunday poydevorga ega bo'lasizki, uning siqilmagan shifti yuqoriroq aniqlikda bemalol sig'adigan har qanday narsadan ancha yuqori turadi — V4 ning ekspertlari boshidanoq FP4 da o'qitilgani uchun esa model keyingi og'irlik siqishida g'ayrioddiy darajada o'zini yaxshi tutadi. Agar sizga aniqlikka yengilroq tegadigan DeepSeek yig'masi kerak bo'lsa, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP o'sha 262K kontekstda $0.50 kirish / $2.00 chiqish narxida 4-bitli og'irliklar, 16-bitli aktivatsiyalar va AutoRound ning o'rganiladigan yaxlitlashidan foydalanadi.

05Fikrlash va reasoning_effort tugmasi

V4 ning post-training i domen mutaxassislarini alohida o'qitadi — matematika, kod, agentlar, ko'rsatmaga amal qilish — SFT dan keyin GRPO, ya'ni DeepSeek R1 bilan kiritgan Group Relative Policy Optimization usuli bilan. So'ng bu mutaxassislar teskari-KL maqsadi ostida on-policy distillatsiya orqali bitta modelga birlashtiriladi, shunda yagona checkpoint hammasida o'rtamiyona generalist bo'lish o'rniga bir vaqtning o'zida bir necha domenda mutaxassis darajasidagi xatti-harakatni olib yuradi.

Chiqarilgan model ikkilik kalit emas, bosqichli fikrlash rejimlarini ochadi. Bizning gatewayimizda bu standart reasoning_effort parametri — bu modeldagi eng foydali tugma:

• Low — deyarli to'g'ridan-to'g'ri javob berish: tasniflash, ajratib olish, qayta yozish, ya'ni siz modelning mulohazasi uchun emas, bilimi uchun to'layotgan har qanday ish.
• Medium — kod ko'rigi, xatolarni topish va ko'p bosqichli tahlil uchun standart ishchi rejim.
• High — javobdan oldin uzoq mulohaza. Qiyin muammolar hal bo'ladigan va chiqish tokenlari hisobingiz yashaydigan joy, chunki fikrlash tokenlari chiqish sifatida hisoblanadi.

Rad etish qatlami yo'qligi sababli fikrlash izi nozik mavzuda qirqilmaydi — birinchi tomon xizmatida hujjatlashtirilgan fikrni bostirish qolipining bu yerda sodir bo'lishi uchun mexanizm yo'q.

06Kod va agentlik ishi: poydevor qanday ball to'playdi

Bular — V4-Pro relizi uchun DeepSeek-AI ning o'zi chop etgan raqamlari; bizniki emas va bizning kvantlangan yig'mamizda o'lchanmagan. Biz ularni ko'rsatamiz, chunki ular bu poydevorni tanlashning halol sababi va ularni birinchi tomon sifatida belgilaymiz, shunda siz ularga tegishli og'irlik bera olasiz.

Ikkitasi izohga arziydi. SWE-bench Verified da 80.6% — haqiqiy repozitoriydagi muammoni hal qilish: notanish kod bazasini o'qish, nuqsonni topish, loyihaning o'z testlaridan o'tadigan patch ishlab chiqish. Million tokenda MRCR (83.5) — to'liq uzunlikda ko'p raundli koreferensiya qidiruvi, ya'ni uzun kontekst da'vosi bezak emasligini aytadigan raqam. DeepSeek shuningdek model uchun 3206 Codeforces reytingini va 1M kontekstda CorpusQA da 62.0 ni xabar qiladi.

Yuqoridagi ko'rsatkichlar DeepSeek-V4-Pro etalon relizi uchun DeepSeek-AI tomonidan xabar qilingan. Bizning 3BIT-REAP yig'mamiz o'sha og'irliklarning siqilgan varianti va bu vazifalarda mustaqil benchmark qilinmagan; etalon ballarni bu endpointning o'lchovi emas, poydevorning shifti deb qarang.

07262K kontekst: aslida nima sig'adi

Etalon model million token uchun o'qitilgan. Biz 262,144 ni xizmat qildiramiz — gatewaydagi har bir model bo'lishadigan oyna, shuning uchun modelni almashtirish bir qatorlik o'zgarish va hech qachon kontekst regressiyasi emas. Amalda 262K ko'pchilik haqiqiy ish uchun kontekst cheklovga aylanadigan nuqtadan o'tib ketgan:

Ish yuki	Taxm. tokenlar	262K ga sig'adimi?
O'rta hajmli servis repozitoriysi (~50k qator)	~600K	Yo'q — modullarni tanlang
Bitta quyi tizim + uning testlari	~60–120K	Ha, bemalol
Protokolning to'liq RFC to'plami	~150K	Ha
700 betlik texnik kitob	~250K	Ha, chegaraga yaqin
Uzun agent yurishi, 40+ vosita navbati	~80–200K	Ha

Rejalashtirishda hisobga olinadigan chegara — chiqish: har bir javob uchun maksimal 16,384 token. Bu uzun hujjat yoki jiddiy ko'p faylli patch, lekin kod bazasi emas. Katta generatsiya ishlari bitta ulkan yakunlash so'rash bilan emas, oldingi chiqishni kontekstga qaytarib qo'yib so'rovlarni zanjirlash bilan bajariladi — 262K oynasi buni arzon qiladi.

08Narx va V4-Pro safda qayerda turadi

Million token uchun $1.95 kirish / $3.90 chiqish narxida V4-Pro — flagman fikrlash darajasi, ya'ni muammo qiyin bo'lganda murojaat qiladigan model. Muammo shunchaki katta bo'lganda, o'sha 262K oynasidagi arzonroq modellar buni chorak narxga bajaradi.

Senzurasiz model	Kirish / 1M	Chiqish / 1M	Tasvir	Nima uchun eng yaxshi
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Yo'q	Qiyin fikrlash, kod, agentlar
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Yo'q	O'sha nasl, katta hajm
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Yo'q	Umumiy maqsadli ishchi ot
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Ha	Yuqori darajali multimodal agentlar
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Ha	Eng arzon tasvir

Odamlar aslida qiladigan taqqoslash haqida to'g'risini aytamiz: DeepSeek ning o'z API si bundan arzonroq — birinchi tomon V4-Pro taxminan $0.435 kirish / $0.87 chiqish deb ko'rsatilgan, kesh mos kelgan kirish narxi esa yanada past. Agar token narxi sizning yagona mezoningiz bo'lsa va moderatsiya xatti-harakati ishingizga ta'sir qilmasa, birinchi tomon API sidan foydalaning; biz buni sizga aytamiz, keyinroq o'zingiz bilib qolishingizdan ko'ra. Ustama boshqa xususiyatlar to'plamini sotib oladi: rad etish qatlami va chiqish filtri yo'q, Shannon Lab LLC ostidagi AQSh operatori, mahkamlangan sanali checkpoint (0813) — shunda jimgina yuqori oqim yangilanishi loyiha o'rtasida chiqishlaringizni hech qachon o'zgartirmaydi, bitta modelga uchta API dialekti hamda safdagi o'n ikkala modelda bir xil 262K oynasi va parametr yuzasi.

09Chaqirish: uchta dialekt, bitta model

Gatewaydagi har bir model uchala endpointda ham javob beradi, har birida striming bilan. Siz yangi SDK ni qabul qilmaysiz — base URL va model id ni o'zgartirasiz.

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 dialekti; OpenAI SDK lari va ular ustiga qurilgan hamma narsa bilan ishlaydi.
• /v1/messages — Anthropic dialekti, allaqachon o'sha shaklga qarab yozilgan kod bazalari uchun.
• /v1/responses — Responses uslubidagi interfeys.

Bu modelda qo'llab-quvvatlanadi: striming, nativ vosita chaqirish, qat'iy json_schema tuzilmali chiqish, response_format va reasoning_effort. To'liq parametrlar ma'lumotnomasi va jonli playground API hujjatlarida.

10Halol cheklovlar

Uning ustiga qurishdan oldin bilish kerak bo'lgan to'rtta narsa:

• Tasvir yo'q. Faqat matn; u hech qanday endpointda rasm kirishini qabul qilmaydi. Agar sizga ko'radigan senzurasiz model kerak bo'lsa, Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 yoki inkling dan foydalaning.
• 16,384 tokenli chiqish shifti. Yuqori kuchda fikrlash tokenlari ham unga hisoblanadi, shuning uchun uzoq mulohaza javobga kamroq joy qoldiradi. Katta generatsiya ishlari uchun so'rovlarni zanjirlang.
• 3-bit — haqiqiy siqish. Etalon ballar bu yig'mani emas, poydevorni tavsiflaydi. Eng yuqori sadoqatli daraja uchun W8A16 modellari (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) eng kam kvantlashni olib yuradi.
• Senzurasizlik oqibatsiz degani emas. Rad etish qatlamining yo'qligi so'raganingiz va javob bilan qilgan ishingiz uchun javobgarlik sizda ekanini anglatadi — bizning xizmat ko'rsatish shartlarimiz va siz ishlayotgan yurisdiksiya qonuni ostida.

11Ko'p beriladigan savollar

---

Manbalar: DeepSeek-AI — DeepSeek-V4-Pro model kartasi · DeepSeek-V4 texnik hisoboti (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · DeepSeek-V3 texnik hisoboti · REAP the Experts (Cerebras Research) · Promptfoo senzura auditi · Discovering Forbidden Topics in Language Models. Benchmark ko'rsatkichlari etalon reliz uchun DeepSeek-AI tomonidan xabar qilingan; siqilgan yig'maning mustaqil uchinchi tomon tekshiruvi kutilmoqda. Narxlar — 2026-yil 5-sentabr holatiga ko'ra Shannon AI ning ro'yxat narxlari.