无审查 DeepSeek Flash API

大多数团队在评估大模型 API 时优化错了变量。他们拿自己能想到的最难的二十条提示词做基准测试，挑出赢家，然后六周后发现：自家 95% 的流量是又短、又结构化、又重复的活儿，用一个便宜到四分之一的模型处理起来毫无差别。DeepSeek-V4-Flash 正是为那 95% 而存在。这一页要讲的，就是怎么判断你身处其中 —— 以及什么时候你不在其中。

01你实际拿到的东西

属性	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
模型 id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
上下文 / 最大输出	262,144 tokens / 16,384 tokens
每 100 万价格（输入 / 输出）	$0.50 / $2.00
流式 · 工具调用 · 推理	支持 —— 三种方言均可
结构化输出	json_schema 与 response_format
图像输入（视觉）	不支持 —— 纯文本
拒答层 / 输出过滤	无
运行于	Shannon 自己的 GPU 集群

三种 API 方言通向同一份权重：/v1/chat/completions（OpenAI 形态）、/v1/messages（Anthropic 形态）和 /v1/responses。三种都支持流式。完整参数参考见 API 文档。

02它从哪儿来：DeepSeek 的谱系

DeepSeek-AI 用五代模型执着于一件事：让前沿表现出自一个服务起来便宜、而不仅仅是训练起来便宜的模型。这条线上几乎每一个架构决策都能追溯到这一点，而重要的那些都公开发表了。有三项能解释你打这个接口时到底在调用什么。

DeepSeekMoE —— 细粒度专家外加一个共享专家

混合专家层把一个大的前馈网络换成许多小的，再加一个路由器为每个 token 挑出少数几个。DeepSeek 的变体把专家切得比常规的八专家布局更细，于是同样的激活算力买到了组合上具体得多的混合；同时它隔离出一个共享专家，让每个 token 都要经过它，这样常识就不必在每个专家内部被冗余地重新学一遍。DeepSeek-V3 把它实现为 256 个路由专家加 1 个共享专家，每 token 激活 8 个路由专家 —— 总参数 6710 亿，激活 370 亿 —— 并配上无辅助损失的负载均衡：不是靠一个会损害质量的惩罚项，而是在每一步根据某个专家是欠载还是过载，用一个逐专家偏置把它的路由得分往上或往下推。

MLA —— 装得进内存的注意力

服务成本问题的另一半是 KV 缓存，它随上下文线性增长，并在长序列下主导内存占用。多头潜在注意力（Multi-head Latent Attention）在 DeepSeek-V2 中被引入，它把键和值联合压缩成一个低秩潜在向量，缓存这个向量，再实时重建可用的 K/V。DeepSeek 公布的 V2 数据显示，相对他们早前的稠密模型 DeepSeek 67B，KV 缓存减少 93.3%、最大生成吞吐提高 5.76×。这就是为什么在这个家族里，262K token 的窗口是基本盘，而不是要加钱的选配。

稀疏注意力 —— 以及廉价 token 的先例

V3.2-Exp 加入了 DeepSeek 稀疏注意力：一个轻量索引器把上下文 token 对查询打分，选择器只保留得分最高的那些。有意思的是那张收据，而不是机制本身。DeepSeek 公布了与 V3.1-Terminus 的逐项对照：MMLU-Pro 持平于 85.0，AIME 2025 上升（88.4 → 89.3），SWE-bench Verified 略降（68.4 → 67.8）—— 质量基本持平 —— 而他们在同一天把 API 价格砍了一半以上。架构，被如实报告，直接变成价格。Flash 就是这个论证再往前迈的一步。

V4 这一代

V4 于 2026 年 4 月以 MIT 许可证放出预览，再次更换了注意力栈，改用压缩稀疏注意力与重压缩注意力的混合，用 Muon 优化器在超过 32T token 上训练，并保留了 V3 的多 token 预测目标 —— 这个目标同时充当投机解码，DeepSeek 在 V3 上测得第二个 token 的接受率为 85–90%，带来约 1.8× 的解码加速。V4 摘要报告称，V4-Pro 的单 token 推理浮点运算是 V3.2 的 27%、KV 缓存是它的 10%。这个家族对外暴露三档推理强度，也正是我们的 reasoning_effort 参数所映射的对象。

来源：DeepSeek-V2（arXiv 2405.04434）· DeepSeekMoE（arXiv 2401.06066）· DeepSeek-V3 技术报告（arXiv 2412.19437）· DeepSeek-V3.2-Exp 模型卡 · DeepSeek-V4（arXiv 2606.19348）。所有数字均为 DeepSeek 自报。

03"Flash"到底是什么意思

这是大多数对比搞错的地方，所以值得直说：DeepSeek 的 Flash 不是被量化、被剪枝或被蒸馏过的 Pro。它是一个单独训练的、更小的混合专家模型，有自己的预训练过程。V4 预览论文给出了两个尺寸：

数据出自 DeepSeek-V4 预览论文。我们实际提供的官方检查点 —— V4-Flash-0731 和 V4-Pro-0813 —— 在其模型卡上列出的总参数略大，分别是 3040 亿和 1.7 万亿；DeepSeek 没有为这两个构建重新给出激活参数。

这里起作用的是两个数字。总参数决定内存占用，它决定一份模型副本要占多少硬件。激活参数决定每 token 的算术量，它决定吞吐。Flash 在前一项上小约 5.6×，在后一项上小约 3.8× —— 而这个差距里有个值得注意的微妙之处：Flash 在 2840 亿参数中激活 130 亿，约 4.6%；而 Pro 在 16000 亿中激活 490 亿，约 3.1%。Flash 才是更不稀疏的那个模型。它并不是简单地把 Pro 的专家少开几个；它是一个更稠密、平衡方式不同的设计，为它产出的每一个 token 投入了自身更大的比例。这是一个真实的工程选择，不是降级。

DeepSeek 自己的数字怎么说

两张官方模型卡在同一批智能体与软件工程基准上公布了分数，这让对比异常干净 —— 同一个实验室、同一套评测装置、两个尺寸：

基准（DeepSeek 自报）	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

每一行都是 Pro 赢。这是诚实的头条，我们宁愿你在这里读到，而不是在生产环境里发现。但请读一读那些差距，因为那才是你真正在买的东西。在 Terminal Bench 2.1 上，一个参数只有二十五分之一的模型只差 5.2 分；在工具使用上差 3.8 分。活儿越深，差距越大 —— DeepSWE 差 8.3 分，NL2Repo 差 7.3 分，这两项都奖励持续的多步代码推理。一张表就把这笔交易的形状说清楚了：在有边界的任务上 Flash 追平了大部分距离，在开放式任务上它让出阵地。

DeepSeek 自己的 Flash 模型卡把这一点说得更尖锐：尽管激活参数少得多，Flash-0731 在所列基准上胜过 V4-Pro 预览版。在这个领域里，更新的小模型打败更老的大模型是常态，这也正是"更高的档位"永远不该成为你的默认答案的原因。

04读懂后缀：W4A16-AUTOROUND-REAP

我们的模型 id 把压缩方案大声说出来，因为它是最影响输出质量、却几乎没人披露的东西。这一个可以拆成三项声明。

W4A16 —— 4 比特权重，16 比特激活

权重每个以 4 比特存储；激活以 16 比特精度流过。这是仅权重量化，它针对的是 token 生成中真正的瓶颈，也就是内存带宽而非算术。把激活也量化会再快一点，但会冒着精度大幅塌陷的风险；把它们留在 16 比特是保守而高保真的选择。这个记号是服务生态的简写 —— 量化文献里会把同一件事写成 W4 加一个分组大小。

AUTOROUND —— 学出来的舍入，而不是就近舍入

朴素量化把每个权重舍入到最近的可表示值。这显然不是最优的：把某个权重往"错误"方向舍入，可能抵消掉邻居引入的误差，而在数十亿权重的规模上，这些相互作用占主导。来自 Intel 的 AutoRound 把舍入决策本身当成可以学习的东西 —— 一个受限于 ±0.5 的可训练逐权重扰动，刚好足以翻转任意一次舍入决策而绝不更多，再加上可学习的截断范围，在一个小型校准集上以带符号梯度下降针对逐块输出重建目标优化。两百步，收工。

Intel 公布的对比显示，在 4 比特仅权重设置下，AutoRound 在 32 个测试场景中有 30 个胜过 GPTQ、27 个胜过 AWQ、29 个胜过 OmniQuant；在 2 比特下相对朴素的就近舍入有 6.9 到 33.2 个准确率百分点的提升。这一切在推理时不花任何代价：它只是一次离线做出的、更好的数值选择。

REAP —— 丢掉没人路由过去的专家

来自 Cerebras Systems 与卡尔加里大学的 REAP（Router-weighted Expert Activation Pruning）是面向 MoE 模型的一次性压缩。它按路由器门控到某个专家的强度与频率，乘以该专家输出的幅度来打分，然后把最不显著的专家直接删掉 —— 事后不做重新训练。

论文的核心发现才是有用的那个：在高压缩率下，剪掉专家优于合并专家。合并功能上各异的专家会造成作者所谓的功能子空间塌陷 —— 路由器失去了那种让 MoE 值得一建的、细粒度、依输入而变的控制力，只剩下在若干静态平均值之间打转。他们在 200 亿到 1 万亿参数模型上的数字是：在编码任务上以 25% 的专家压缩率，REAP 平均准确率损失 2.8%，而合并类基线损失超过 5%；在 50% 时，REAP 损失 8.0%，合并损失超过 20%。在 Qwen3-Coder-480B 上以 50% 剪枝率，下降为 1.4%，而朴素的按频率剪枝为 39.3%。Cerebras 已经为包括 DeepSeek 在内的多条产品线公布了 REAP 检查点。

为什么这里用 4 比特，Pro 上用 3 比特

两个档位都得装进同一类硬件并保持够快。Pro 带着 1.7 万亿参数，所以它必须接受更激进的 3 比特处理才装得下。Flash 带着大约 3000 亿，所以它不必 —— 省下来的那一个比特，被花在保真度上，而不是花在"塞得进去"上。

那多出来的一个比特，其意义比算术看上去更大，因为量化损伤不是线性的。在 AWQ 论文的 WikiText-2 测量中，Llama-2-7B 从 FP16 的 5.47 困惑度变为 4 比特下的 5.60 —— 2.4% 的代价 —— 但到 3 比特就是 6.24，14% 的代价。这大约是多压缩 25% 换来六倍的退化，同样的模式在 70B 上也成立。GPTQ 论文说得更不客气：在 3 比特下，朴素的就近舍入在 1750 亿级模型上直接崩溃，困惑度飙到几千，而在 4 比特下仍然完全可用。低于四比特，一个好的量化算法就不再是锦上添花，而是唯一还把模型撑住的东西。

所以对这两个后缀的诚实解读是：Flash 距离它自己的未压缩版本，比 Pro 距离它自己的更近。Pro 仍然是更强的模型 —— 上面那张基准表已经定了案。它只是为了走到这一步交出了更多，而你要为这份特权付钱。

来源：AutoRound ——《Optimize Weight Rounding via Signed Gradient Descent for the Quantization of LLMs》（arXiv 2309.05516），Intel，EMNLP 2024 Findings。REAP ——《REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression》（arXiv 2510.13999），Cerebras Systems。困惑度数字出自 AWQ（arXiv 2306.00978）与 GPTQ（arXiv 2210.17323）。

05接口层面的 Flash 与 Pro

第 03 节讲的是基座。下面是这两个档位作为我们网关上的产品长什么样：

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
量化	W4A16-AUTOROUND-REAP	3BIT-REAP
权重精度	4 比特，学习式舍入	3 比特
基座（总参 / 激活）	~304B / 13B	~1.7T / 49B
每 100 万输入 token	$0.50	$1.95
每 100 万输出 token	$2.00	$3.90
上下文 / 最大输出	262,144 / 16,384	262,144 / 16,384
工具 · 结构化输出 · 流式	支持	支持
视觉	不支持	不支持
拒答层	无	无

注意什么没有变：上下文、输出上限、工具调用、结构化输出，以及没有拒答层这一点，两者完全一致。会动的只有基座、量化和价格。这让在两者之间切换在代码里只是改一个字符串，在架构上则是一个纯粹的经济决策。

一次顶格调用要花多少钱

把整个 262,144 token 上下文填满，并取满 16,384 token 输出：

按标价计。Flash：输入 $0.131 + 输出 $0.033。Pro：$0.511 + $0.064。比值 3.51×。Flash 还与 MiniMax-M3、Laguna-S-2.1、MiMo-V2.5、MiMo-V2.5-Pro 和 Hy3 共享 $0.50 / $2.00 的地板价 —— 它们在视觉与结构化输出上的差别，见完整目录。

06把跑量的账算清楚

"便宜 3.9×"只在输入上成立。在输出上 Flash 便宜 1.95×。所以你真实的节省取决于你的输入输出比，而这个跨度大到足以改变设计决策。四种现实任务，每种 10 万次请求：

任务	每次调用输入 / 输出	Flash	Pro	节省
工单分类	1,200 / 120	$84	$281	3.3×
RAG 问答	8,000 / 600	$520	$1,794	3.4×
长文档摘要	60,000 / 1,500	$3,300	$12,285	3.7×
合成数据生成	500 / 2,000	$425	$878	2.1×

规律是：你推进去的上下文越多、生成的文本越少，Flash 帮你省得越多。检索流水线、文档分拣、日志与转写分析、长上下文抽取是甜蜜点 —— 它们的输入量比输出量高出一个数量级，而输入正是 3.9× 折扣所在的地方。反过来，如果你的任务是一段短提示词产出几千 token 的散文，差距会收窄到大约 2×，而 Pro 的能力论据也相应变强。

还有一笔值得内化的算术：在每 100 万输入 token $0.50 的价格下，把整个 262,144 token 窗口填满只要 13.1 美分。在这个价位上，长上下文提示不再是预算问题，这有时意味着你可以干脆不建检索层，让上下文窗口去干这活儿 —— 在 token 节省之上再省一笔工程。

07这里说的"无审查"，精确地讲是什么

这个词被用得很松，所以给出我们的定义，作为接口的一条属性来陈述：模型前面没有拒答分类器，输出也不施加内容过滤。没有东西会拦下一条提示词并回一句罐头式的婉拒；没有东西会检查补全内容并把它涂黑。对高吞吐的生产工作而言，这带来的后果没有这个词听上去那么戏剧化，但更有用：

• 无害流量上不会误报。带过滤的接口经常拒绝医学摘要、安全分析报告、法律证据开示、小说、减害材料，乃至内容审核工作本身 — 而这些恰恰是批处理任务在处理关于敏感话题的文本、而不是在产出任何有害之物的类别。在十万次请求上，1% 的误拒率就是一千行坏数据。
• 确定性的契约。你请求一个 json_schema 响应，拿到的就是符合该 schema 的 JSON，而不是本该是对象的位置上出现一段道歉。你的解析器不需要拒答分支，你的重试逻辑也不必去区分传输失败和策略失败。
• 策略归你所有。这就是那笔交易。如果你的产品需要为终端用户设护栏，你就在自己那一层建，因为你了解你的用户和你的司法辖区，而不是继承供应商对这两者的猜测。你的账户仍受我们的《负责任使用政策》约束。

无审查不等于未对齐或不听话。模型仍然遵循指令，仍然尊重系统提示词。如果你希望它对你的用户拒绝某些类别，就在系统提示里说 —— 那条指令现在由你来写，而不是由我们来强加。

08能力与诚实的边界

对跑量工作来说，有两项能力承担了大部分分量。严格的 json_schema 输出把一次补全直接变成一行数据库记录，不需要解析层，也不需要拒答分支。三种方言中都可用的工具调用让 Flash 成为一个合理的引擎，去承担某个顶层规划者跑在更强模型上的智能体的廉价子步骤。再加上 reasoning_effort，让你只在需要的那一小部分流量上多花 token，以及一个与 Pro 完全相同的 262,144 token 上下文 —— 选便宜档位并不用交出上下文，这是不多见的。

边界同样具体：

• 没有视觉。Flash 是纯文本的，会拒绝消息中的图像部分。如果要在同样 $0.50 / $2.00 地板价的无审查模型上处理图像，MiniMax-M3 和 MiMo-V2.5 是具备视觉能力的选项；Kimi-K2.6 和 Kimi-K3 则是该档位之上更强的视觉模型。
• 不是梯子的顶端。DeepSeek 自己的数字让 Pro 在每一项公开的智能体基准上领先，而差距在持续的多步代码推理上最大。当一个错误答案的代价高过一千次廉价调用时，就多花那每 100 万的 $1.45 去用 DeepSeek-V4-Pro。
• 每次请求 16,384 输出 token。长篇生成必须跨调用分块。这是我们提供的每一个模型上相同的上限，而且它远在上下文窗口之前就先绑住你。

09怎么调用

把任何 OpenAI 兼容客户端指向网关，改掉模型字符串。你技术栈里的其他一切都不用动。

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
        }
      }
    }
  }'

同一个模型 id 在 /v1/messages 和 /v1/responses 上原样可用，这是在不重写客户端的前提下、在既有集成底下 A/B 一个更便宜模型的最快办法。参数、流式事件形态、工具调用 schema 和速率限制都记录在 API 参考里；目录中的每个模型都列在 Shannon Research。

10常见问题

---

来源：DeepSeek-V2（arXiv 2405.04434）· DeepSeekMoE（arXiv 2401.06066）· DeepSeek-V3 技术报告（arXiv 2412.19437）· DeepSeek-V4（arXiv 2606.19348）· DeepSeek-V4-Flash-0731 与 DeepSeek-V4-Pro-0813 模型卡 · AutoRound（arXiv 2309.05516，Intel）· REAP（arXiv 2510.13999，Cerebras Systems）· AWQ（arXiv 2306.00978）· GPTQ（arXiv 2210.17323）。所有基座与基准数字均按其各自作者所发布；Shannon AI 的价格与所提供的上下文是我们自己的标价值，截至 2026 年 9 月。