DeepSeek V4.1 Flash er multimodal fra starten: en visuel encoder omdanner billedet til en repræsentation, der behandles sammen med teksten. Resultatet er tekst. Visuel forståelse, programmering og agentopgaver er mulige; konteksten når op på en million tokens.
Hovednetværket har 552 milliarder parametre. Den kausale encoder og decoder har hver 20 lag. Ved inputbehandling er 8 milliarder parametre aktive pr. token, og ved generering 16 milliarder. Opdelingen er beregnet til opgaver, hvor inputmaterialet er væsentligt større end svaret.
Komprimeret sparsom attention genbruger data mellem lag og begrænser gentagen søgning efter væsentlige kontekstdele. Manglende lokale attentiontilstande genskabes fra et nyligt afsnit. Den betingede hukommelse Engram har 196 milliarder parametre og tilgår poster gennem sparsom tokenbaseret søgning. Det er en særskilt hukommelsesblok, ikke en ny betegnelse for hovednetværkets størrelse. Hvert ekspertlag har én fælles og 384 routede eksperter; seks routede eksperter vælges for en token. Desuden bruges ændrede forbindelser mellem lag og DSpark til spekulativ dekodning.
Modellen er trænet fra bunden på et multimodalt korpus med 45 billioner tokens. Eftertræningen følger denne rækkefølge: læring fra eksempler, reinforcement learning og derefter destillation på modellens egne sekvenser.
DeepSeek skalerer data fra syntetiske opgaver, arbejdsmiljøer og agentforløb. Træningen forbinder opgaven, det tilgængelige miljø og måden at kontrollere resultatet på; data filtreres, renses for dubletter og udvælges efter sværhedsgrad. Det beskriver træningens opbygning, ikke automatisk adgang til eksterne værktøjer ved brug af modellen.
Ræsonnement styres med et heltal fra 1 til 100. Den kontinuerlige skala fastlægger analyseindsatsen; dybt ræsonnement kan kræve mere tid og flere tokens.
Modellens format understøtter dialog over flere ture, værktøjskald, bevaret ræsonnement og vekslen mellem tekst og billeder. Applikationen udfører værktøjerne, og deres resultater bliver materiale til næste trin.
Svaret forbliver tekst. Visuel funktion kræver en passende inputmetode. Kontekststørrelsen og den anbefalede genereringslængde fastlægger ikke en universel maksimal svarstørrelse.
", "aboutText": "### Fælles behandling af tekst og billeder\n\nDeepSeek V4.1 Flash er multimodal fra starten: en visuel encoder omdanner billedet til en repræsentation, der behandles sammen med teksten. Resultatet er tekst. Visuel forståelse, programmering og agentopgaver er mulige; konteksten når op på en million tokens.\n\n### Arkitektur til stort input\n\nHovednetværket har 552 milliarder parametre. Den kausale encoder og decoder har hver 20 lag. Ved inputbehandling er 8 milliarder parametre aktive pr. token, og ved generering 16 milliarder. Opdelingen er beregnet til opgaver, hvor inputmaterialet er væsentligt større end svaret.\n\nKomprimeret sparsom attention genbruger data mellem lag og begrænser gentagen søgning efter væsentlige kontekstdele. Manglende lokale attentiontilstande genskabes fra et nyligt afsnit. Den betingede hukommelse Engram har 196 milliarder parametre og tilgår poster gennem sparsom tokenbaseret søgning. Det er en særskilt hukommelsesblok, ikke en ny betegnelse for hovednetværkets størrelse. Hvert ekspertlag har én fælles og 384 routede eksperter; seks routede eksperter vælges for en token. Desuden bruges ændrede forbindelser mellem lag og DSpark til spekulativ dekodning.\n\n### Træning og agentmiljøer\n\nModellen er trænet fra bunden på et multimodalt korpus med 45 billioner tokens. Eftertræningen følger denne rækkefølge: læring fra eksempler, reinforcement learning og derefter destillation på modellens egne sekvenser.\n\nDeepSeek skalerer data fra syntetiske opgaver, arbejdsmiljøer og agentforløb. Træningen forbinder opgaven, det tilgængelige miljø og måden at kontrollere resultatet på; data filtreres, renses for dubletter og udvælges efter sværhedsgrad. Det beskriver træningens opbygning, ikke automatisk adgang til eksterne værktøjer ved brug af modellen.\n\n### Styrbar analysedybde\n\nRæsonnement styres med et heltal fra 1 til 100. Den kontinuerlige skala fastlægger analyseindsatsen; dybt ræsonnement kan kræve mere tid og flere tokens.\n\n### Fortsættelse af dialog og handlinger\n\nModellens format understøtter dialog over flere ture, værktøjskald, bevaret ræsonnement og vekslen mellem tekst og billeder. Applikationen udfører værktøjerne, og deres resultater bliver materiale til næste trin.\n\nSvaret forbliver tekst. Visuel funktion kræver en passende inputmetode. Kontekststørrelsen og den anbefalede genereringslængde fastlægger ikke en universel maksimal svarstørrelse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0516c600bc3ada3f34115188aafec841d1b55cddb00e10033417b9634ad962cc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "deepseek/deepseek-v4.1-flash:batchDeepSeek V4.1 Flash er en multimodal model til analyse af tekst og billeder, programmering og agentarbejde med lang kontekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4.1 Flash er multimodal fra starten: en visuel encoder omdanner billedet til en repræsentation, der behandles sammen med teksten. Resultatet er tekst. Visuel forståelse, programmering og agentopgaver er mulige; konteksten når op på en million tokens.
Hovednetværket har 552 milliarder parametre. Den kausale encoder og decoder har hver 20 lag. Ved inputbehandling er 8 milliarder parametre aktive pr. token, og ved generering 16 milliarder. Opdelingen er beregnet til opgaver, hvor inputmaterialet er væsentligt større end svaret.
Komprimeret sparsom attention genbruger data mellem lag og begrænser gentagen søgning efter væsentlige kontekstdele. Manglende lokale attentiontilstande genskabes fra et nyligt afsnit. Den betingede hukommelse Engram har 196 milliarder parametre og tilgår poster gennem sparsom tokenbaseret søgning. Det er en særskilt hukommelsesblok, ikke en ny betegnelse for hovednetværkets størrelse. Hvert ekspertlag har én fælles og 384 routede eksperter; seks routede eksperter vælges for en token. Desuden bruges ændrede forbindelser mellem lag og DSpark til spekulativ dekodning.
Modellen er trænet fra bunden på et multimodalt korpus med 45 billioner tokens. Eftertræningen følger denne rækkefølge: læring fra eksempler, reinforcement learning og derefter destillation på modellens egne sekvenser.
DeepSeek skalerer data fra syntetiske opgaver, arbejdsmiljøer og agentforløb. Træningen forbinder opgaven, det tilgængelige miljø og måden at kontrollere resultatet på; data filtreres, renses for dubletter og udvælges efter sværhedsgrad. Det beskriver træningens opbygning, ikke automatisk adgang til eksterne værktøjer ved brug af modellen.
Ræsonnement styres med et heltal fra 1 til 100. Den kontinuerlige skala fastlægger analyseindsatsen; dybt ræsonnement kan kræve mere tid og flere tokens.
Modellens format understøtter dialog over flere ture, værktøjskald, bevaret ræsonnement og vekslen mellem tekst og billeder. Applikationen udfører værktøjerne, og deres resultater bliver materiale til næste trin.
Svaret forbliver tekst. Visuel funktion kræver en passende inputmetode. Kontekststørrelsen og den anbefalede genereringslængde fastlægger ikke en universel maksimal svarstørrelse.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-v4.1-flash:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser deepseek/deepseek-v4.1-flash:batch, deepseek/deepseek-v4.1-flash | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser deepinfra/fp8 | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
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 $0.000224 / 1K tokens Output · Outputtokens $0.000672 / 1K tokens Input · Cachelæsning $0.00000672 / 1K tokens Input · Cacheskrivning — / 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 $0.000224 / 1K tokens Output · Outputtokens $0.000672 / 1K tokens Input · Cachelæsning $0.00000672 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"deepseek/deepseek-v4.1-flash:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['deepseek/deepseek-v4.1-flash:batch', 'deepseek/deepseek-v4.1-flash']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"deepseek/deepseek-v4.1-flash:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra deepseek/deepseek-v4.1-flash:batch
Brug metodestierne vist ovenfor.