API DeepSeek không kiểm duyệt

Những người tìm tới cụm từ "API DeepSeek không kiểm duyệt" muốn một thứ rất cụ thể: một mô hình có năng lực suy luận và lập trình của DeepSeek nhưng trả lời đúng câu hỏi họ thực sự đặt ra. Nửa về năng lực đã được ghi chép đầy đủ — DeepSeek-AI đã công bố kiến trúc và các con số, và bộ trọng số nằm trên Hugging Face dưới giấy phép MIT. Nửa còn lại là một quyết định vận hành, và thường thì nó được quyết thay cho bạn. Trang này bàn cả hai: nền tảng V4-Pro là gì, bản dựng 3BIT-REAP của chúng tôi làm gì với nó, và "không kiểm duyệt" chính xác nghĩa là gì khi chúng tôi nói ra.

01"API DeepSeek không kiểm duyệt" thực sự nghĩa là gì

Hai cơ chế khác nhau bị xếp chung dưới một từ. Thứ nhất là sự căn chỉnh nướng thẳng vào trọng số — hành vi từ chối học được trong giai đoạn hậu huấn luyện. Thứ hai là lớp kiểm duyệt phía máy chủ: một bộ phân loại riêng soi prompt của bạn trước khi mô hình thấy nó và soi đầu ra trước khi bạn thấy, và có thể cắt ngang câu trả lời giữa chừng bất kể mô hình muốn nói gì.

Cả hai đều đo được, và dịch vụ chính chủ của DeepSeek đã được đo. Promptfoo dựng một bộ 1.360 câu hỏi nhạy cảm chính trị và báo cáo rằng bản R1 do DeepSeek tự vận hành đã từ chối hoặc né tránh 1.156 câu — khoảng 85%. Các công trình học thuật trên cùng dòng mô hình tìm ra một kiểu hỏng riêng biệt mà các tác giả gọi là ức chế tư duy, trong đó vệt suy luận của mô hình kết thúc gần như ngay khi vừa bắt đầu với một chủ đề nhạy cảm. Một bản kiểm định khác đăng trên Information Sciences ghi nhận sự ức chế ở mức ngữ nghĩa: nội dung có mặt trong phần suy luận nội bộ của mô hình bị lặng lẽ bỏ đi hoặc viết lại trước khi tới tay người dùng. Đó là vấn đề khó hơn một lời từ chối thẳng thừng, vì một câu trả lời bị cắt cụt trông vẫn giống một câu trả lời.

Cái chúng tôi chạy là bản phát hành trọng số mở, trên phần cứng do chúng tôi vận hành, tại Hoa Kỳ, dưới Shannon Lab LLC. Không có lớp từ chối đặt trước mô hình và không có bộ lọc áp lên thứ trả về: prompt của bạn không bị phân loại theo chính sách trước khi được phục vụ, và luồng đầu ra không bị soi trên đường đi ra. Vì nền tảng có giấy phép MIT và công khai, bạn có thể tự so đầu ra của chúng tôi với bộ trọng số tham chiếu thay vì phải tin lời chúng tôi.

02Nền tảng: DeepSeek-V4-Pro, một MoE 1,6T

DeepSeek-V4 là dòng trọng số mở hiện tại của DeepSeek-AI, hé lộ vào tháng 4 năm 2026 và phát hành dưới MIT ở hai kích cỡ: V4-Flash (284B tổng, 13B kích hoạt) và V4-Pro (1,6T tổng, 49B kích hoạt). Bài này nói về bậc Pro. Cả hai đều được tiền huấn luyện trên khoảng 33 nghìn tỷ token và cả hai đều hỗ trợ nguyên bản ngữ cảnh một triệu token.

Tỷ lệ thưa mới là thứ đáng để ý: chỉ khoảng 3% số tham số kích hoạt trên mỗi token bất kỳ, và đó là thứ khiến một mô hình lớn cỡ này phục vụ được. Bản thân khối MoE vẫn là DeepSeekMoE — các expert được định tuyến ở hạt mịn cộng với các expert dùng chung luôn bật, giới thiệu từ V2 — với chỉ vài thay đổi nhỏ ở V4, dễ thấy nhất là định tuyến băm ở các lớp đầu tiên. Multi-Token Prediction, mục tiêu phụ trợ của V3 vốn cũng cho phép giải mã suy đoán, được giữ nguyên.

Những mảnh mới trong V4 là về cấu trúc. Manifold-Constrained Hyper-Connections (mHC) thay đường residual thuần bằng một ma trận trộn học được, bị ràng buộc lên đa tạp các ma trận song ngẫu nhiên qua phép chiếu Sinkhorn–Knopp — một dòng residual tự đổi trọng số theo đầu vào mà không có độ trôi số học vốn giết các chồng lớp rất sâu. Việc huấn luyện chuyển từ AdamW sang Muon cho phần lớn các mô-đun, dùng phép trực giao hóa Newton–Schulz, còn AdamW chỉ được giữ cho embedding, các đầu dự đoán, chuẩn hóa và các tham số mHC tĩnh. Và trọng số expert được huấn luyện ở FP4 trong khi hầu hết tham số khác ở FP8 — nhận thức lượng tử hóa ngay từ đầu, điều này quan trọng đối với việc mô hình chịu nén thêm nhẹ nhàng đến đâu.

03Từ MLA tới CSA + HCA: cách DeepSeek giữ cho ngữ cảnh dài vẫn rẻ

Sợi chỉ xuyên suốt bốn thế hệ của DeepSeek không phải kích cỡ, mà là kinh tế học của attention. Phiên bản nào cũng nhắm vào KV cache, thứ tăng tuyến tính theo ngữ cảnh và chiếm phần lớn bộ nhớ ở độ dài lớn.

• V2 giới thiệu Multi-head Latent Attention (MLA) — nén hạng thấp key và value chung vào một vector tiềm ẩn, nên khi sinh chữ chỉ cần cache vector đó cộng một key RoPE tách rời thay vì toàn bộ K và V theo từng head. DeepSeek báo cáo KV cache giảm xuống còn khoảng 4–14% so với multi-head attention chuẩn, trong khi chất lượng giữ nguyên hoặc tốt hơn.
• V3 mở rộng cách đó lên 671B, biến MLA thành giả định mặc định cho ngữ cảnh dài giá rẻ trong các mô hình mở.
• V3.2 thêm DeepSeek Sparse Attention (DSA), chọn một tập con top-k của lịch sử cho mỗi truy vấn thông qua một bộ đánh chỉ mục nhẹ thay vì chú ý tới mọi thứ.
• V4 lai ghép. Compressed Sparse Attention (CSA) trước hết nén các mục KV của mỗi m token thành một mục với trọng số học được, rồi chạy chọn lọc thưa top-k trên các mục đã nén đó. Heavily Compressed Attention (HCA) nén mạnh tay hơn nhiều nhưng giữ dày đặc trên kết quả. Hai loại lớp được đan xen suốt chồng lớp, nên phần tóm lược toàn cục giá rẻ và phần truy hồi cục bộ chính xác cùng tồn tại.

Lợi ích được báo cáo ở ngữ cảnh một triệu token rất rõ rệt: V4-Pro cần khoảng 27% số FLOP suy luận trên mỗi token và 10% KV cache so với V3.2. Đó là lý do một lượt gọi 262K hành xử như một lượt gọi bình thường chứ không phải một sự kiện về bộ nhớ, và là lý do các con số truy hồi ngữ cảnh dài trụ vững thay vì sụp đổ sau vài chục nghìn token.

04Hậu tố 3BIT-REAP nghĩa là gì

Mã trong danh mục của chúng tôi kết thúc bằng 3BIT-REAP, và nó mô tả hai bước nén độc lập áp dụng theo thứ tự.

REAP: cắt tỉa expert, chứ không gộp chúng lại

REAP là Router-weighted Expert Activation Pruning, từ Cerebras Research — "REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression", được nhận vào ICLR 2026. Trong một MoE thưa, bộ định tuyến không dùng các expert của nó một cách đều đặn: có một cái đuôi dài các expert hiếm khi được chọn, được chọn yếu, hoặc cả hai. REAP chấm điểm từng expert bằng cách kết hợp giá trị cổng định tuyến (được chọn thường xuyên và mạnh đến đâu) với chuẩn kích hoạt của expert (đầu ra của nó đóng góp bao nhiêu), rồi xóa thẳng những kẻ thua cuộc.

Lập luận của bài báo là cắt tỉa thắng gộp lại: gộp thì lấy trung bình và xóa mất sự chuyên biệt hóa chức năng vốn là lý do dựng ra MoE, trong khi xóa những expert mà bộ định tuyến gần như không chạm tới thì giữ được nó. Trên các mô hình từ 20B tới 1T, REAP vượt cả phương pháp gộp lẫn các phương pháp cắt tỉa cạnh tranh trên các benchmark sinh nội dung, và các tác giả báo cáo kết quả gần như không mất mát ở sinh mã và gọi tool khi cắt tỉa 50% số expert trên Qwen3-Coder-480B và Kimi-K2 — mà đó chính xác là hồ sơ công việc mà mô hình này có mặt ở đây để làm.

Trọng số 3-bit: bậc nén dành cho những nền tảng lớn nhất

Phần sống sót sau đó được lượng tử hóa xuống trọng số 3-bit. Ba bit là mạnh tay, và chúng tôi không vờ như khác: xuyên suốt dàn mô hình, chúng tôi dùng W8A16 ở nơi nền tảng đủ nhỏ để không cần siết, W4A16-AUTOROUND-REAP ở khoảng giữa, và 3BIT-REAP chỉ trên những nền tảng lớn nhất, nơi nó là ranh giới giữa phục vụ được mô hình và không phục vụ nổi.

Đánh đổi đáng được nói thẳng: một MoE 1,6T ở 3-bit không đồng nhất từng bit với bản phát hành tham chiếu, và một khoản chi phí nhỏ về chất lượng là có thật. Đổi lại, bạn có một nền tảng mà trần chưa nén của nó nằm cao hơn hẳn bất cứ thứ gì vừa vặn thoải mái ở độ chính xác cao hơn — và vì các expert của V4 vốn đã được huấn luyện ở FP4 ngay từ đầu, mô hình cư xử hiền lành khác thường khi bị nén trọng số thêm. Nếu bạn muốn một bản dựng DeepSeek nhẹ tay hơn về độ chính xác, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP dùng trọng số 4-bit với kích hoạt 16-bit và phép làm tròn học được của AutoRound, trên cùng ngữ cảnh 262K với giá $0.50 vào / $2.00 ra.

05Suy luận, và núm reasoning_effort

Hậu huấn luyện của V4 huấn luyện các chuyên gia theo miền một cách riêng rẽ — toán, lập trình, agent, tuân thủ chỉ dẫn — với SFT rồi tới GRPO, phương pháp Group Relative Policy Optimization mà DeepSeek giới thiệu cùng R1. Các chuyên gia đó sau đó được hợp nhất thành một mô hình bằng chưng cất on-policy dưới mục tiêu KL ngược, nên một checkpoint duy nhất mang hành vi ở tầm chuyên gia trong nhiều miền cùng lúc chứ không phải một kẻ đa năng làng nhàng ở tất cả.

Mô hình được phát hành mở ra các chế độ tư duy theo cấp độ chứ không phải một công tắc nhị phân. Trên gateway của chúng tôi, đó là tham số chuẩn reasoning_effort, cái núm hữu ích nhất trên mô hình này:

• Low — trả lời gần như trực tiếp: phân loại, trích xuất, viết lại, mọi việc mà bạn đang trả tiền cho kiến thức của mô hình chứ không phải cho sự cân nhắc của nó.
• Medium — chế độ làm việc mặc định cho review mã, gỡ lỗi và phân tích nhiều bước.
• High — cân nhắc lâu trước khi trả lời. Nơi các bài toán khó được giải, và cũng là nơi hóa đơn token đầu ra của bạn nằm, vì token suy luận được tính như đầu ra.

Vì không có lớp từ chối, vệt suy luận không bị cắt cụt khi gặp chủ đề nhạy cảm — kiểu ức chế tư duy được ghi nhận trên dịch vụ chính chủ không có cơ chế nào để xảy ra ở đây.

06Lập trình và công việc agent: nền tảng đạt điểm bao nhiêu

Đây là các con số do chính DeepSeek-AI công bố cho bản phát hành V4-Pro — không phải của chúng tôi, và không đo trên bản dựng đã lượng tử hóa của chúng tôi. Chúng tôi hiển thị chúng vì đó là lý do trung thực để chọn nền tảng này, và ghi rõ là số liệu chính chủ để bạn tự cân nhắc trọng số.

Hai con số đáng bình luận. SWE-bench Verified ở mức 80,6% là giải quyết issue trên kho mã thật — đọc một codebase lạ, định vị lỗi, tạo ra một bản vá vượt qua chính bộ test của dự án. MRCR ở một triệu token (83,5) là truy hồi đồng tham chiếu nhiều vòng ở độ dài đầy đủ, con số cho bạn biết tuyên bố về ngữ cảnh dài không phải để trang trí. DeepSeek cũng báo cáo điểm Codeforces 3206 cho mô hình này, và 62,0 trên CorpusQA ở ngữ cảnh 1M.

Các con số ở trên do DeepSeek-AI báo cáo cho bản phát hành tham chiếu DeepSeek-V4-Pro. Bản dựng 3BIT-REAP của chúng tôi là một biến thể nén của bộ trọng số đó và chưa được benchmark độc lập ở các tác vụ này; hãy coi điểm tham chiếu là trần của nền tảng, không phải một phép đo của endpoint này.

07Ngữ cảnh 262K: thứ gì thực sự vừa

Mô hình tham chiếu được huấn luyện cho một triệu token. Chúng tôi phục vụ 262.144 — cửa sổ mà mọi mô hình trên gateway đều dùng chung, nên chuyển mô hình là một thay đổi một dòng và không bao giờ là một bước lùi về ngữ cảnh. Trên thực tế, 262K đã vượt qua ngưỡng mà ngữ cảnh còn là ràng buộc với hầu hết công việc thật:

Khối lượng công việc	Token ước tính	Vừa 262K?
Kho mã dịch vụ cỡ vừa (~50k dòng)	~600K	Không — chọn từng mô-đun
Một hệ con đơn lẻ + bộ test của nó	~60–120K	Vừa, thoải mái
Toàn bộ tập RFC của một giao thức	~150K	Vừa
Một cuốn sách kỹ thuật 700 trang	~250K	Vừa, sát giới hạn
Một phiên agent dài, hơn 40 lượt gọi tool	~80–200K	Vừa

Giới hạn cần tính tới là đầu ra: tối đa 16.384 token mỗi phản hồi. Đó là một tài liệu dài hoặc một bản vá nhiều tệp đáng kể, nhưng không phải cả một codebase. Các công việc sinh nội dung lớn được làm bằng cách nối chuỗi các lượt gọi với đầu ra trước đó đưa lại vào ngữ cảnh — điều mà cửa sổ 262K khiến trở nên rẻ — thay vì đòi một lần hoàn thành khổng lồ.

08Giá, và vị trí của V4-Pro trong dàn mô hình

Ở mức $1.95 vào / $3.90 ra mỗi triệu token, V4-Pro là bậc suy luận chủ lực — mô hình bạn tìm tới khi bài toán khó. Khi nó chỉ đơn thuần lớn, các mô hình rẻ hơn trên cùng cửa sổ 262K sẽ làm được với một phần tư giá tiền.

Mô hình không kiểm duyệt	Vào / 1M	Ra / 1M	Thị giác	Hợp nhất với
DeepSeek-V4-Pro · 3BIT-REAP	$1.95	$3.90	Không	Suy luận khó, lập trình, agent
DeepSeek-V4-Flash · W4A16	$0.50	$2.00	Không	Cùng dòng, khối lượng lớn
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	Không	Ngựa thồ đa dụng
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	Có	Agent đa phương thức cao cấp
MiniMax-M3 · 3BIT-REAP	$0.50	$2.00	Có	Thị giác rẻ nhất

Nói thẳng về phép so sánh mà người ta chắc chắn sẽ làm: API của chính DeepSeek rẻ hơn cái này — V4-Pro chính chủ niêm yết khoảng $0.435 vào / $0.87 ra, và giá đầu vào khi trúng cache của họ còn thấp hơn nữa. Nếu giá trên mỗi token là tiêu chí duy nhất của bạn và hành vi kiểm duyệt không ảnh hưởng tới công việc của bạn, hãy dùng API chính chủ; chúng tôi thà nói với bạn điều đó còn hơn để bạn tự phát hiện sau này. Khoản chênh mua về một tập tính chất khác: không lớp từ chối và không lọc đầu ra, một đơn vị vận hành ở Hoa Kỳ dưới Shannon Lab LLC, một checkpoint có ngày tháng được ghim (0813) nên một lần nâng cấp âm thầm từ phía thượng nguồn không bao giờ làm đổi đầu ra của bạn giữa dự án, ba phương ngữ API trên cùng một mô hình, và cùng cửa sổ 262K cùng bề mặt tham số trên cả mười hai mô hình trong dàn.

09Gọi nó: ba phương ngữ, một mô hình

Mọi mô hình trên gateway đều trả lời trên cả ba endpoint, với streaming ở mỗi endpoint. Bạn không phải chuyển sang SDK mới — bạn đổi một base URL và một model id.

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 — phương ngữ OpenAI; chạy được với các SDK của OpenAI và mọi thứ dựng trên chúng.
• /v1/messages — phương ngữ Anthropic, cho các codebase đã viết theo dạng đó.
• /v1/responses — giao diện kiểu Responses.

Được hỗ trợ trên mô hình này: streaming, gọi tool gốc, đầu ra có cấu trúc json_schema nghiêm ngặt, response_format, và reasoning_effort. Tài liệu tham chiếu tham số đầy đủ và một playground trực tiếp nằm trong tài liệu API.

10Những giới hạn thành thật

Bốn điều cần biết trước khi bạn xây dựng trên nó:

• Không có thị giác. Chỉ văn bản; nó sẽ không nhận đầu vào hình ảnh trên bất kỳ endpoint nào. Nếu bạn cần một mô hình không kiểm duyệt biết nhìn, hãy dùng Kimi-K3, Kimi-K2.6, MiniMax-M3, MiMo-V2.5 hoặc inkling.
• Trần đầu ra 16.384 token. Token suy luận cũng tính vào trần đó khi để mức effort cao, nên một pha cân nhắc dài sẽ để lại ít chỗ hơn cho câu trả lời. Hãy nối chuỗi các lượt gọi cho những công việc sinh nội dung lớn.
• 3-bit là một mức nén thật sự. Các điểm số tham chiếu mô tả nền tảng, không phải bản dựng này. Với bậc trung thực cao nhất, các mô hình W8A16 (MiMo-V2.5-Pro, MiMo-V2.5, Hy3) chịu ít lượng tử hóa nhất.
• Không kiểm duyệt không có nghĩa là không có hệ quả. Không có lớp từ chối nghĩa là trách nhiệm về những gì bạn hỏi, và về những gì bạn làm với câu trả lời, nằm ở phía bạn — theo điều khoản dịch vụ của chúng tôi và theo luật nơi bạn hoạt động.

11Câu hỏi thường gặp

---

Nguồn: DeepSeek-AI — thẻ mô hình DeepSeek-V4-Pro · Báo cáo kỹ thuật DeepSeek-V4 (CSA/HCA, mHC, Muon) · DeepSeek-V2 (MLA, DeepSeekMoE) · Báo cáo kỹ thuật DeepSeek-V3 · REAP the Experts (Cerebras Research) · Bản kiểm định kiểm duyệt của Promptfoo · Discovering Forbidden Topics in Language Models. Các con số benchmark do DeepSeek-AI báo cáo cho bản phát hành tham chiếu; việc kiểm chứng độc lập từ bên thứ ba đối với bản dựng đã nén vẫn đang chờ. Giá là giá niêm yết của Shannon AI tính đến ngày 5 tháng 9, 2026.