DeepSeek V3.1 er DeepSeek’s hybride tekstmodel: den samme navngivne udgave understøtter svar med og uden tænkning gennem forskellige indstillinger i chatskabelonen. Producenten fremhæver forbedret værktøjsbrug, agentopgaver og ræsonneringseffektivitet i forhold til sin tidligere model. Den accepterer skriftlige instruktioner og tekstkontekst og genererer et svar, kode eller indhold til værktøjskald. Den oprindelige V3.1-identitet er adskilt fra Terminus, V3.2 og V4-familien.
Modelkortet angiver i alt 671 milliarder parametre, 37 milliarder aktive parametre og en kontekst på 128K for både basisudgaven og den eftertrænede udgave. V3.1 bygger på det oprindelige V3-fundament med udvidet træning på lange dokumenter før eftertræningen. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfakta forklarer tekstprofilen med lang kontekst uden at gøre konteksttallet til en særskilt specifikation for maksimalt output.
Tilstanden uden tænkning forbereder et direkte svar, mens tænkningstilstanden starter en ræsonneringsfase før svaret. Producentens skabelon bruger en afsluttende tænkningsmarkør til direkte svar og en indledende tænkningsmarkør til den aktuelle ræsonneringstur. I en samtale med flere ture fjernes tidligere ræsonneringsindhold, mens endelige svar og den afsluttende markør bevares i konteksten. Det er den oprindelige V3.1-regel for historik, adskilt fra den senere V3.2-regel, som bevarer ræsonnering på tværs af værktøjsrelaterede beskeder.
Standardværktøjskald er dokumenteret i tilstanden uden tænkning. Applikationen angiver funktionsnavne, beskrivelser og parameterskemaer; modellen returnerer et valgt værktøjsnavn og JSON-argumenter i producentens repræsentation af værktøjskald. Applikationen udfører operationen og returnerer resultatet. Giv værktøjer konkrete formål, og hold den returnerede observation knyttet til kaldet, så næste modeltrin har dokumentation frem for en antagelse om, at en handling fandt sted.
Søgning med tænkning bruger et særskilt specialiseret søgeagentformat. DeepSeek dokumenterer et søgeværktøj leveret af brugeren til spørgsmål, der kræver eksterne eller aktuelle oplysninger, med gentagne kald og observationer over flere samtaleture. Søgning er derfor en del af det omgivende forløb, ikke en påstand om, at et tekstsvar selvstændigt har gennemset nettet. Definer spørgsmålet, kildekriterierne og det endelige svar, du har brug for, før søgeopgaven starter.
Til kodning skal du medtage det relevante fragment eller de relevante filer, observeret adfærd, forventet adfærd og de begrænsninger, der skal bevares. Et eksempel på en opgavebeskrivelse er: “Identificer årsagen til denne fejl for det angivne input, foreslå en fokuseret rettelse, og forklar den betingelse, ændringen håndterer.” Til en dokumentopgave skal du mærke kildeafsnit og bede om en sammenligning med udtrykkelige krav. Kræv, at det endelige svar skelner mellem den kildeunderbyggede konklusion og en foreslået næste handling.
Producenten træner V3.1 med UE8M0 FP8-skalaformatet til vægte og aktiveringer. De lokale anbefalinger identificerer også præcisionsfølsomme parametre, der skal håndteres korrekt. Det er egenskaber ved producentens offentliggjorte reference, ikke en påstand om alle applikationers valgte præcision eller implementering. En afledt model, en kvantiseret variant og det senere Terminus-checkpoint forbliver særskilte valg i forhold til den navngivne oprindelige V3.1-udgave.
Forbered længere arbejde med et klart spørgsmål, kildemærker og et defineret slutresultat. Hold samtale, kildetekst, ræsonnering og output inden for den dokumenterede kontekst, og bevar kun relevant dokumentation, efterhånden som opgaven vokser. Til en agent skal du angive de tilladte handlinger og det kriterium, der markerer resultatet som færdigt. Det nyttige produkt er et tekstsvar, kodeforslag eller en kildeunderbygget analyse, der kan gennemgås og er knyttet til input og de observationer, applikationen har returneret.
", "aboutText": "DeepSeek V3.1 er DeepSeek’s hybride tekstmodel: den samme navngivne udgave understøtter svar med og uden tænkning gennem forskellige indstillinger i chatskabelonen. Producenten fremhæver forbedret værktøjsbrug, agentopgaver og ræsonneringseffektivitet i forhold til sin tidligere model. Den accepterer skriftlige instruktioner og tekstkontekst og genererer et svar, kode eller indhold til værktøjskald. Den oprindelige V3.1-identitet er adskilt fra Terminus, V3.2 og V4-familien.\n\nModelkortet angiver i alt 671 milliarder parametre, 37 milliarder aktive parametre og en kontekst på 128K for både basisudgaven og den eftertrænede udgave. V3.1 bygger på det oprindelige V3-fundament med udvidet træning på lange dokumenter før eftertræningen. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfakta forklarer tekstprofilen med lang kontekst uden at gøre konteksttallet til en særskilt specifikation for maksimalt output.\n\nTilstanden uden tænkning forbereder et direkte svar, mens tænkningstilstanden starter en ræsonneringsfase før svaret. Producentens skabelon bruger en afsluttende tænkningsmarkør til direkte svar og en indledende tænkningsmarkør til den aktuelle ræsonneringstur. I en samtale med flere ture fjernes tidligere ræsonneringsindhold, mens endelige svar og den afsluttende markør bevares i konteksten. Det er den oprindelige V3.1-regel for historik, adskilt fra den senere V3.2-regel, som bevarer ræsonnering på tværs af værktøjsrelaterede beskeder.\n\nStandardværktøjskald er dokumenteret i tilstanden uden tænkning. Applikationen angiver funktionsnavne, beskrivelser og parameterskemaer; modellen returnerer et valgt værktøjsnavn og JSON-argumenter i producentens repræsentation af værktøjskald. Applikationen udfører operationen og returnerer resultatet. Giv værktøjer konkrete formål, og hold den returnerede observation knyttet til kaldet, så næste modeltrin har dokumentation frem for en antagelse om, at en handling fandt sted.\n\nSøgning med tænkning bruger et særskilt specialiseret søgeagentformat. DeepSeek dokumenterer et søgeværktøj leveret af brugeren til spørgsmål, der kræver eksterne eller aktuelle oplysninger, med gentagne kald og observationer over flere samtaleture. Søgning er derfor en del af det omgivende forløb, ikke en påstand om, at et tekstsvar selvstændigt har gennemset nettet. Definer spørgsmålet, kildekriterierne og det endelige svar, du har brug for, før søgeopgaven starter.\n\nTil kodning skal du medtage det relevante fragment eller de relevante filer, observeret adfærd, forventet adfærd og de begrænsninger, der skal bevares. Et eksempel på en opgavebeskrivelse er: “Identificer årsagen til denne fejl for det angivne input, foreslå en fokuseret rettelse, og forklar den betingelse, ændringen håndterer.” Til en dokumentopgave skal du mærke kildeafsnit og bede om en sammenligning med udtrykkelige krav. Kræv, at det endelige svar skelner mellem den kildeunderbyggede konklusion og en foreslået næste handling.\n\nProducenten træner V3.1 med UE8M0 FP8-skalaformatet til vægte og aktiveringer. De lokale anbefalinger identificerer også præcisionsfølsomme parametre, der skal håndteres korrekt. Det er egenskaber ved producentens offentliggjorte reference, ikke en påstand om alle applikationers valgte præcision eller implementering. En afledt model, en kvantiseret variant og det senere Terminus-checkpoint forbliver særskilte valg i forhold til den navngivne oprindelige V3.1-udgave.\n\nForbered længere arbejde med et klart spørgsmål, kildemærker og et defineret slutresultat. Hold samtale, kildetekst, ræsonnering og output inden for den dokumenterede kontekst, og bevar kun relevant dokumentation, efterhånden som opgaven vokser. Til en agent skal du angive de tilladte handlinger og det kriterium, der markerer resultatet som færdigt. Det nyttige produkt er et tekstsvar, kodeforslag eller en kildeunderbygget analyse, der kan gennemgås og er knyttet til input og de observationer, applikationen har returneret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix a pagination boundary\n\nFind the bug in this Python pagination helper: def page(items, offset, limit): return items[offset:limit]. For items=[10,20,30,40,50], offset=2 and limit=2, the expected result is [30,40]. Return a focused patch and tests for a nonzero offset, an empty list and a page extending past the list end.A corrected function and three runnable unit-test examples with explicit expected results.Check that the slice endpoint is derived from offset plus limit and all three boundary cases preserve list slicing behavior.deepseek/deepseek-chat-v3.1DeepSeek V3.1 er en hybrid tekstmodel med tænkning og direkte svar i samme udgave. Dens kontekst på 128K og forbedrede værktøjsprofil understøtter kodning, dokumentanalyse og søgning leveret af applikationen med tekst eller foreslåede værktøjskald som resultat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V3.1 er DeepSeek’s hybride tekstmodel: den samme navngivne udgave understøtter svar med og uden tænkning gennem forskellige indstillinger i chatskabelonen. Producenten fremhæver forbedret værktøjsbrug, agentopgaver og ræsonneringseffektivitet i forhold til sin tidligere model. Den accepterer skriftlige instruktioner og tekstkontekst og genererer et svar, kode eller indhold til værktøjskald. Den oprindelige V3.1-identitet er adskilt fra Terminus, V3.2 og V4-familien.
Modelkortet angiver i alt 671 milliarder parametre, 37 milliarder aktive parametre og en kontekst på 128K for både basisudgaven og den eftertrænede udgave. V3.1 bygger på det oprindelige V3-fundament med udvidet træning på lange dokumenter før eftertræningen. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfakta forklarer tekstprofilen med lang kontekst uden at gøre konteksttallet til en særskilt specifikation for maksimalt output.
Tilstanden uden tænkning forbereder et direkte svar, mens tænkningstilstanden starter en ræsonneringsfase før svaret. Producentens skabelon bruger en afsluttende tænkningsmarkør til direkte svar og en indledende tænkningsmarkør til den aktuelle ræsonneringstur. I en samtale med flere ture fjernes tidligere ræsonneringsindhold, mens endelige svar og den afsluttende markør bevares i konteksten. Det er den oprindelige V3.1-regel for historik, adskilt fra den senere V3.2-regel, som bevarer ræsonnering på tværs af værktøjsrelaterede beskeder.
Standardværktøjskald er dokumenteret i tilstanden uden tænkning. Applikationen angiver funktionsnavne, beskrivelser og parameterskemaer; modellen returnerer et valgt værktøjsnavn og JSON-argumenter i producentens repræsentation af værktøjskald. Applikationen udfører operationen og returnerer resultatet. Giv værktøjer konkrete formål, og hold den returnerede observation knyttet til kaldet, så næste modeltrin har dokumentation frem for en antagelse om, at en handling fandt sted.
Søgning med tænkning bruger et særskilt specialiseret søgeagentformat. DeepSeek dokumenterer et søgeværktøj leveret af brugeren til spørgsmål, der kræver eksterne eller aktuelle oplysninger, med gentagne kald og observationer over flere samtaleture. Søgning er derfor en del af det omgivende forløb, ikke en påstand om, at et tekstsvar selvstændigt har gennemset nettet. Definer spørgsmålet, kildekriterierne og det endelige svar, du har brug for, før søgeopgaven starter.
Til kodning skal du medtage det relevante fragment eller de relevante filer, observeret adfærd, forventet adfærd og de begrænsninger, der skal bevares. Et eksempel på en opgavebeskrivelse er: “Identificer årsagen til denne fejl for det angivne input, foreslå en fokuseret rettelse, og forklar den betingelse, ændringen håndterer.” Til en dokumentopgave skal du mærke kildeafsnit og bede om en sammenligning med udtrykkelige krav. Kræv, at det endelige svar skelner mellem den kildeunderbyggede konklusion og en foreslået næste handling.
Producenten træner V3.1 med UE8M0 FP8-skalaformatet til vægte og aktiveringer. De lokale anbefalinger identificerer også præcisionsfølsomme parametre, der skal håndteres korrekt. Det er egenskaber ved producentens offentliggjorte reference, ikke en påstand om alle applikationers valgte præcision eller implementering. En afledt model, en kvantiseret variant og det senere Terminus-checkpoint forbliver særskilte valg i forhold til den navngivne oprindelige V3.1-udgave.
Forbered længere arbejde med et klart spørgsmål, kildemærker og et defineret slutresultat. Hold samtale, kildetekst, ræsonnering og output inden for den dokumenterede kontekst, og bevar kun relevant dokumentation, efterhånden som opgaven vokser. Til en agent skal du angive de tilladte handlinger og det kriterium, der markerer resultatet som færdigt. Det nyttige produkt er et tekstsvar, kodeforslag eller en kildeunderbygget analyse, der kan gennemgås og er knyttet til input og de observationer, applikationen har returneret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-chat-v3.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0023 / 1K tokens Input · Cachelæsning $0.00026 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0023 / 1K tokens Input · Cachelæsning $0.00026 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-chat-v3.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-chat-v3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-chat-v3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra deepseek/deepseek-chat-v3.1
Brug metodestierne vist ovenfor.
deepseek/deepseek-chat-v3.1DeepSeek V3.1 er en hybrid tekstmodel med tænkning og direkte svar i samme udgave. Dens kontekst på 128K og forbedrede værktøjsprofil understøtter kodning, dokumentanalyse og søgning leveret af applikationen med tekst eller foreslåede værktøjskald som resultat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V3.1 er DeepSeek’s hybride tekstmodel: den samme navngivne udgave understøtter svar med og uden tænkning gennem forskellige indstillinger i chatskabelonen. Producenten fremhæver forbedret værktøjsbrug, agentopgaver og ræsonneringseffektivitet i forhold til sin tidligere model. Den accepterer skriftlige instruktioner og tekstkontekst og genererer et svar, kode eller indhold til værktøjskald. Den oprindelige V3.1-identitet er adskilt fra Terminus, V3.2 og V4-familien.
Modelkortet angiver i alt 671 milliarder parametre, 37 milliarder aktive parametre og en kontekst på 128K for både basisudgaven og den eftertrænede udgave. V3.1 bygger på det oprindelige V3-fundament med udvidet træning på lange dokumenter før eftertræningen. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfakta forklarer tekstprofilen med lang kontekst uden at gøre konteksttallet til en særskilt specifikation for maksimalt output.
Tilstanden uden tænkning forbereder et direkte svar, mens tænkningstilstanden starter en ræsonneringsfase før svaret. Producentens skabelon bruger en afsluttende tænkningsmarkør til direkte svar og en indledende tænkningsmarkør til den aktuelle ræsonneringstur. I en samtale med flere ture fjernes tidligere ræsonneringsindhold, mens endelige svar og den afsluttende markør bevares i konteksten. Det er den oprindelige V3.1-regel for historik, adskilt fra den senere V3.2-regel, som bevarer ræsonnering på tværs af værktøjsrelaterede beskeder.
Standardværktøjskald er dokumenteret i tilstanden uden tænkning. Applikationen angiver funktionsnavne, beskrivelser og parameterskemaer; modellen returnerer et valgt værktøjsnavn og JSON-argumenter i producentens repræsentation af værktøjskald. Applikationen udfører operationen og returnerer resultatet. Giv værktøjer konkrete formål, og hold den returnerede observation knyttet til kaldet, så næste modeltrin har dokumentation frem for en antagelse om, at en handling fandt sted.
Søgning med tænkning bruger et særskilt specialiseret søgeagentformat. DeepSeek dokumenterer et søgeværktøj leveret af brugeren til spørgsmål, der kræver eksterne eller aktuelle oplysninger, med gentagne kald og observationer over flere samtaleture. Søgning er derfor en del af det omgivende forløb, ikke en påstand om, at et tekstsvar selvstændigt har gennemset nettet. Definer spørgsmålet, kildekriterierne og det endelige svar, du har brug for, før søgeopgaven starter.
Til kodning skal du medtage det relevante fragment eller de relevante filer, observeret adfærd, forventet adfærd og de begrænsninger, der skal bevares. Et eksempel på en opgavebeskrivelse er: “Identificer årsagen til denne fejl for det angivne input, foreslå en fokuseret rettelse, og forklar den betingelse, ændringen håndterer.” Til en dokumentopgave skal du mærke kildeafsnit og bede om en sammenligning med udtrykkelige krav. Kræv, at det endelige svar skelner mellem den kildeunderbyggede konklusion og en foreslået næste handling.
Producenten træner V3.1 med UE8M0 FP8-skalaformatet til vægte og aktiveringer. De lokale anbefalinger identificerer også præcisionsfølsomme parametre, der skal håndteres korrekt. Det er egenskaber ved producentens offentliggjorte reference, ikke en påstand om alle applikationers valgte præcision eller implementering. En afledt model, en kvantiseret variant og det senere Terminus-checkpoint forbliver særskilte valg i forhold til den navngivne oprindelige V3.1-udgave.
Forbered længere arbejde med et klart spørgsmål, kildemærker og et defineret slutresultat. Hold samtale, kildetekst, ræsonnering og output inden for den dokumenterede kontekst, og bevar kun relevant dokumentation, efterhånden som opgaven vokser. Til en agent skal du angive de tilladte handlinger og det kriterium, der markerer resultatet som færdigt. Det nyttige produkt er et tekstsvar, kodeforslag eller en kildeunderbygget analyse, der kan gennemgås og er knyttet til input og de observationer, applikationen har returneret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-chat-v3.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0023 / 1K tokens Input · Cachelæsning $0.00026 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0023 / 1K tokens Input · Cachelæsning $0.00026 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "deepseek/deepseek-chat-v3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat-v3.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat-v3.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra deepseek/deepseek-chat-v3.1
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Fix a pagination boundary\n\nFind the bug in this Python pagination helper: def page(items, offset, limit): return items[offset:limit]. For items=[10,20,30,40,50], offset=2 and limit=2, the expected result is [30,40]. Return a focused patch and tests for a nonzero offset, an empty list and a page extending past the list end.A corrected function and three runnable unit-test examples with explicit expected results.Check that the slice endpoint is derived from offset plus limit and all three boundary cases preserve list slicing behavior.