DeepSeek V4 Flash 0423 er den navngivne Flash-udgave, som er bevaret til tekstbaserede opgaver inden for programmering, ræsonnement og agenter. Referencen i udviklerens familie er DeepSeek-V4-Flash, den mindre mixture-of-experts-model i V4-serien. Den modtager skriftlige instruktioner og kontekst og producerer tekst, som kan indeholde en forklaring, kode eller en foreslået værktøjshandling. Betegnelsen 0423 forbliver adskilt fra det skiftende Latest-modelkort og andre navngivne Flash-udgaver.
Den offentliggjorte V4 Flash-familietabel angiver 284 milliarder parametre i alt, 13 milliarder aktive parametre og en kontekst på én million tokens. Dens attention kombinerer Compressed Sparse Attention og Heavily Compressed Attention for effektivt at håndtere længere kildesekvenser. Manifold-constrained hyper-connections understøtter videreførelse på tværs af lag, og udvikleren beskriver en eftertræningsproces i to trin, som udvikler domænespecifikke eksperter, før deres færdigheder samles. Disse familieegenskaber understøtter skriftlige opgaver, der kombinerer omfattende kildekontekst med et afgrænset spørgsmål.
V4-familiens instruktionsprofil har tilstandene Non-think, Think High og Think Max. Non-think er beregnet til direkte rutinesvar, High til logisk analyse og planlægning og Max til udvidet ræsonnementsindsats. Tilstanden påvirker, hvordan ræsonnement forberedes og adskilles fra det endelige svar. DeepSeek anbefaler mindst 384K kontekst ved lokal brug af Think Max og temperature 1.0 med top-p 1.0 i sin lokale reference. Det er udviklerens konfigurationsanbefalinger, adskilt fra et universelt maksimalt outputloft eller en indstilling, som enhver applikation tilbyder.
Ved en softwareopgave gives den relevante kildetekst, den observerede adfærd og det ønskede resultat. Et eksempel på en instruktion er: “Implementer den beskrevne ændring, bevar de offentlige funktionsnavne, og forklar de betingelser, løsningen håndterer.” Ved analyse mærkes dokumenterne, og sammenligningskriterierne defineres. En stor kontekst er kun nyttig, hvis spørgsmålet og det krævede slutresultat forbliver tydelige, så angiv de relevante afsnit frem for at stole på, at modellen udleder formålet med en lang samling.
Udvikleren leverer en dedikeret V4-beskedkodning og et outputformat til samtaler, ræsonnement og værktøjsbrug. Udgaven giver ikke en chatskabelon i Jinja-format. En korrekt repræsenteret samtale bevarer forskellen mellem brugerens opgave, modellens forslag og det returnerede værktøjsresultat. En valgt funktion udføres af den omgivende applikation, som derefter leverer den observation, der bruges i næste ræsonnementstrin.
Forbered en opgave i flere trin med et slutresultat og en afslutningsregel: en konkret ændring, en kildeunderstøttet sammenligning eller et defineret sæt udtrukne felter. Angiv de tilladte handlinger, og behold vigtige navne, antagelser og betingelser i teksten. Bed det endelige svar angive, hvad der følger af det givne materiale, og hvor der stadig mangler oplysninger. Ved et langt dokument- eller repositoryuddrag bevares kildemærkninger, så resultatet kan citere den relevante passage eller det relevante fragment.
Brug den navngivne 0423-udgave til tekstbaserede programmerings-, ræsonnements- og agentopgaver; vælg den separate Vision Exp-udgave til billedbaseret arbejde. Et resultat kan genbruges som tekst, kode eller analytisk post, når det er sammenholdt med de givne krav og kildebelæg; genererede forslag forbliver adskilt fra handlinger eller valideringsresultater, som en applikation faktisk har udført.
", "aboutText": "DeepSeek V4 Flash 0423 er den navngivne Flash-udgave, som er bevaret til tekstbaserede opgaver inden for programmering, ræsonnement og agenter. Referencen i udviklerens familie er DeepSeek-V4-Flash, den mindre mixture-of-experts-model i V4-serien. Den modtager skriftlige instruktioner og kontekst og producerer tekst, som kan indeholde en forklaring, kode eller en foreslået værktøjshandling. Betegnelsen 0423 forbliver adskilt fra det skiftende Latest-modelkort og andre navngivne Flash-udgaver.\n\nDen offentliggjorte V4 Flash-familietabel angiver 284 milliarder parametre i alt, 13 milliarder aktive parametre og en kontekst på én million tokens. Dens attention kombinerer Compressed Sparse Attention og Heavily Compressed Attention for effektivt at håndtere længere kildesekvenser. Manifold-constrained hyper-connections understøtter videreførelse på tværs af lag, og udvikleren beskriver en eftertræningsproces i to trin, som udvikler domænespecifikke eksperter, før deres færdigheder samles. Disse familieegenskaber understøtter skriftlige opgaver, der kombinerer omfattende kildekontekst med et afgrænset spørgsmål.\n\nV4-familiens instruktionsprofil har tilstandene Non-think, Think High og Think Max. Non-think er beregnet til direkte rutinesvar, High til logisk analyse og planlægning og Max til udvidet ræsonnementsindsats. Tilstanden påvirker, hvordan ræsonnement forberedes og adskilles fra det endelige svar. DeepSeek anbefaler mindst 384K kontekst ved lokal brug af Think Max og temperature 1.0 med top-p 1.0 i sin lokale reference. Det er udviklerens konfigurationsanbefalinger, adskilt fra et universelt maksimalt outputloft eller en indstilling, som enhver applikation tilbyder.\n\nVed en softwareopgave gives den relevante kildetekst, den observerede adfærd og det ønskede resultat. Et eksempel på en instruktion er: “Implementer den beskrevne ændring, bevar de offentlige funktionsnavne, og forklar de betingelser, løsningen håndterer.” Ved analyse mærkes dokumenterne, og sammenligningskriterierne defineres. En stor kontekst er kun nyttig, hvis spørgsmålet og det krævede slutresultat forbliver tydelige, så angiv de relevante afsnit frem for at stole på, at modellen udleder formålet med en lang samling.\n\nUdvikleren leverer en dedikeret V4-beskedkodning og et outputformat til samtaler, ræsonnement og værktøjsbrug. Udgaven giver ikke en chatskabelon i Jinja-format. En korrekt repræsenteret samtale bevarer forskellen mellem brugerens opgave, modellens forslag og det returnerede værktøjsresultat. En valgt funktion udføres af den omgivende applikation, som derefter leverer den observation, der bruges i næste ræsonnementstrin.\n\nForbered en opgave i flere trin med et slutresultat og en afslutningsregel: en konkret ændring, en kildeunderstøttet sammenligning eller et defineret sæt udtrukne felter. Angiv de tilladte handlinger, og behold vigtige navne, antagelser og betingelser i teksten. Bed det endelige svar angive, hvad der følger af det givne materiale, og hvor der stadig mangler oplysninger. Ved et langt dokument- eller repositoryuddrag bevares kildemærkninger, så resultatet kan citere den relevante passage eller det relevante fragment.\n\nBrug den navngivne 0423-udgave til tekstbaserede programmerings-, ræsonnements- og agentopgaver; vælg den separate Vision Exp-udgave til billedbaseret arbejde. Et resultat kan genbruges som tekst, kode eller analytisk post, når det er sammenholdt med de givne krav og kildebelæg; genererede forslag forbliver adskilt fra handlinger eller valideringsresultater, som en applikation faktisk har udført.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix pagination at an exact boundary\n\nA Python pager uses pages = total // size + 1. For total=20 and size=10 it reports three pages, but the product requires two; for total=0 it requires zero. Replace only the calculation, assuming total >= 0 and size > 0. Include assertions for totals 0, 1, 20 and 21.A replacement calculation, a brief rationale and four assertions.Both an exact multiple and zero must avoid the extra page.deepseek/deepseek-v4-flashDeepSeek V4 Flash 0423 er en navngiven V4 Flash-udgave til tekst, kodning og ræsonnering. Producentens familie bruger komprimeret attention og tre tilstande for ræsonneringsindsats til opgaver med lang kontekst og agentopgaver, mens 0423-identiteten holdes adskilt fra Latest.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0423 er den navngivne Flash-udgave, som er bevaret til tekstbaserede opgaver inden for programmering, ræsonnement og agenter. Referencen i udviklerens familie er DeepSeek-V4-Flash, den mindre mixture-of-experts-model i V4-serien. Den modtager skriftlige instruktioner og kontekst og producerer tekst, som kan indeholde en forklaring, kode eller en foreslået værktøjshandling. Betegnelsen 0423 forbliver adskilt fra det skiftende Latest-modelkort og andre navngivne Flash-udgaver.
Den offentliggjorte V4 Flash-familietabel angiver 284 milliarder parametre i alt, 13 milliarder aktive parametre og en kontekst på én million tokens. Dens attention kombinerer Compressed Sparse Attention og Heavily Compressed Attention for effektivt at håndtere længere kildesekvenser. Manifold-constrained hyper-connections understøtter videreførelse på tværs af lag, og udvikleren beskriver en eftertræningsproces i to trin, som udvikler domænespecifikke eksperter, før deres færdigheder samles. Disse familieegenskaber understøtter skriftlige opgaver, der kombinerer omfattende kildekontekst med et afgrænset spørgsmål.
V4-familiens instruktionsprofil har tilstandene Non-think, Think High og Think Max. Non-think er beregnet til direkte rutinesvar, High til logisk analyse og planlægning og Max til udvidet ræsonnementsindsats. Tilstanden påvirker, hvordan ræsonnement forberedes og adskilles fra det endelige svar. DeepSeek anbefaler mindst 384K kontekst ved lokal brug af Think Max og temperature 1.0 med top-p 1.0 i sin lokale reference. Det er udviklerens konfigurationsanbefalinger, adskilt fra et universelt maksimalt outputloft eller en indstilling, som enhver applikation tilbyder.
Ved en softwareopgave gives den relevante kildetekst, den observerede adfærd og det ønskede resultat. Et eksempel på en instruktion er: “Implementer den beskrevne ændring, bevar de offentlige funktionsnavne, og forklar de betingelser, løsningen håndterer.” Ved analyse mærkes dokumenterne, og sammenligningskriterierne defineres. En stor kontekst er kun nyttig, hvis spørgsmålet og det krævede slutresultat forbliver tydelige, så angiv de relevante afsnit frem for at stole på, at modellen udleder formålet med en lang samling.
Udvikleren leverer en dedikeret V4-beskedkodning og et outputformat til samtaler, ræsonnement og værktøjsbrug. Udgaven giver ikke en chatskabelon i Jinja-format. En korrekt repræsenteret samtale bevarer forskellen mellem brugerens opgave, modellens forslag og det returnerede værktøjsresultat. En valgt funktion udføres af den omgivende applikation, som derefter leverer den observation, der bruges i næste ræsonnementstrin.
Forbered en opgave i flere trin med et slutresultat og en afslutningsregel: en konkret ændring, en kildeunderstøttet sammenligning eller et defineret sæt udtrukne felter. Angiv de tilladte handlinger, og behold vigtige navne, antagelser og betingelser i teksten. Bed det endelige svar angive, hvad der følger af det givne materiale, og hvor der stadig mangler oplysninger. Ved et langt dokument- eller repositoryuddrag bevares kildemærkninger, så resultatet kan citere den relevante passage eller det relevante fragment.
Brug den navngivne 0423-udgave til tekstbaserede programmerings-, ræsonnements- og agentopgaver; vælg den separate Vision Exp-udgave til billedbaseret arbejde. Et resultat kan genbruges som tekst, kode eller analytisk post, når det er sammenholdt med de givne krav og kildebelæg; genererede forslag forbliver adskilt fra handlinger eller valideringsresultater, som en applikation faktisk har udført.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-v4-flash | 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 $0.00044 / 1K tokens Output · Outputtokens $0.00132 / 1K tokens Input · Cachelæsning $0.00006 / 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 $0.00044 / 1K tokens Output · Outputtokens $0.00132 / 1K tokens Input · Cachelæsning $0.00006 / 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-v4-flash", "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-v4-flash',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-v4-flash',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-v4-flash
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flashDeepSeek V4 Flash 0423 er en navngiven V4 Flash-udgave til tekst, kodning og ræsonnering. Producentens familie bruger komprimeret attention og tre tilstande for ræsonneringsindsats til opgaver med lang kontekst og agentopgaver, mens 0423-identiteten holdes adskilt fra Latest.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0423 er den navngivne Flash-udgave, som er bevaret til tekstbaserede opgaver inden for programmering, ræsonnement og agenter. Referencen i udviklerens familie er DeepSeek-V4-Flash, den mindre mixture-of-experts-model i V4-serien. Den modtager skriftlige instruktioner og kontekst og producerer tekst, som kan indeholde en forklaring, kode eller en foreslået værktøjshandling. Betegnelsen 0423 forbliver adskilt fra det skiftende Latest-modelkort og andre navngivne Flash-udgaver.
Den offentliggjorte V4 Flash-familietabel angiver 284 milliarder parametre i alt, 13 milliarder aktive parametre og en kontekst på én million tokens. Dens attention kombinerer Compressed Sparse Attention og Heavily Compressed Attention for effektivt at håndtere længere kildesekvenser. Manifold-constrained hyper-connections understøtter videreførelse på tværs af lag, og udvikleren beskriver en eftertræningsproces i to trin, som udvikler domænespecifikke eksperter, før deres færdigheder samles. Disse familieegenskaber understøtter skriftlige opgaver, der kombinerer omfattende kildekontekst med et afgrænset spørgsmål.
V4-familiens instruktionsprofil har tilstandene Non-think, Think High og Think Max. Non-think er beregnet til direkte rutinesvar, High til logisk analyse og planlægning og Max til udvidet ræsonnementsindsats. Tilstanden påvirker, hvordan ræsonnement forberedes og adskilles fra det endelige svar. DeepSeek anbefaler mindst 384K kontekst ved lokal brug af Think Max og temperature 1.0 med top-p 1.0 i sin lokale reference. Det er udviklerens konfigurationsanbefalinger, adskilt fra et universelt maksimalt outputloft eller en indstilling, som enhver applikation tilbyder.
Ved en softwareopgave gives den relevante kildetekst, den observerede adfærd og det ønskede resultat. Et eksempel på en instruktion er: “Implementer den beskrevne ændring, bevar de offentlige funktionsnavne, og forklar de betingelser, løsningen håndterer.” Ved analyse mærkes dokumenterne, og sammenligningskriterierne defineres. En stor kontekst er kun nyttig, hvis spørgsmålet og det krævede slutresultat forbliver tydelige, så angiv de relevante afsnit frem for at stole på, at modellen udleder formålet med en lang samling.
Udvikleren leverer en dedikeret V4-beskedkodning og et outputformat til samtaler, ræsonnement og værktøjsbrug. Udgaven giver ikke en chatskabelon i Jinja-format. En korrekt repræsenteret samtale bevarer forskellen mellem brugerens opgave, modellens forslag og det returnerede værktøjsresultat. En valgt funktion udføres af den omgivende applikation, som derefter leverer den observation, der bruges i næste ræsonnementstrin.
Forbered en opgave i flere trin med et slutresultat og en afslutningsregel: en konkret ændring, en kildeunderstøttet sammenligning eller et defineret sæt udtrukne felter. Angiv de tilladte handlinger, og behold vigtige navne, antagelser og betingelser i teksten. Bed det endelige svar angive, hvad der følger af det givne materiale, og hvor der stadig mangler oplysninger. Ved et langt dokument- eller repositoryuddrag bevares kildemærkninger, så resultatet kan citere den relevante passage eller det relevante fragment.
Brug den navngivne 0423-udgave til tekstbaserede programmerings-, ræsonnements- og agentopgaver; vælg den separate Vision Exp-udgave til billedbaseret arbejde. Et resultat kan genbruges som tekst, kode eller analytisk post, når det er sammenholdt med de givne krav og kildebelæg; genererede forslag forbliver adskilt fra handlinger eller valideringsresultater, som en applikation faktisk har udført.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-v4-flash | 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 $0.00044 / 1K tokens Output · Outputtokens $0.00132 / 1K tokens Input · Cachelæsning $0.00006 / 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 $0.00044 / 1K tokens Output · Outputtokens $0.00132 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "deepseek/deepseek-v4-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v4-flash', '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-v4-flash', '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-v4-flash
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Fix pagination at an exact boundary\n\nA Python pager uses pages = total // size + 1. For total=20 and size=10 it reports three pages, but the product requires two; for total=0 it requires zero. Replace only the calculation, assuming total >= 0 and size > 0. Include assertions for totals 0, 1, 20 and 21.A replacement calculation, a brief rationale and four assertions.Both an exact multiple and zero must avoid the extra page.