DeepSeek V3.2 Exp er DeepSeeks eksperimentelle tekstmodeludgave, bygget på V3.1 Terminus. Dens definerende ændring er DeepSeek Sparse Attention, indført for at undersøge mere effektiv træning og inferens for lange tekstsekvenser. Opgaven er stadig tekstbaseret: skriftlige instruktioner og kontekst giver et tekstsvar, kode eller agentrelateret output. Dette er forskningsudgaven med sparse attention, adskilt fra den endelige V3.2-model og dens senere format til ræsonnering med værktøjer.
DSA bruger en let indeksmekanisme og finkornet tokenselektion, så den primære attention-beregning fokuserer på udvalgt information fra tidligere tokens. DeepSeek afstemte bevidst den eksperimentelle træningskonfiguration med V3.1 Terminus for at isolere arkitekturændringen. V3.2-rapporten bekræfter, at den endelige V3.2 og V3.2 Exp deler denne arkitektur, og beskriver fortsat træning fra Terminus-basen med 128K kontekst. Den offentliggjorte eksperimentelle profil bruger denne indstilling med 128K lang kontekst.
Producentens eksperimentelle modelkort omfatter ræsonnering og agentarbejde, samtidig med at den tidligere models opgaveprofil bevares. Dokumentationen behandler ræsonnering uden værktøjer og agentisk værktøjsbrug som forskellige arbejdsgange. Forbered et klart spørgsmål, relevant kildekontekst og den ønskede slutform. Hvis opgaven bruger et værktøj, leverer applikationen dets definition og returnerer resultatet; modellens foreslåede handling er ikke det samme som en handling, der allerede er udført.
Det endelige V3.2-modelkort introducerer et revideret format til værktøjskald og beskriver udtrykkeligt ræsonnering med værktøjer. Disse opdateringer hører til den endelige udgivelse og bør ikke behandles som hele den eksperimentelle udgaves interaktionsaftale. Bevar for V3.2 Exp udgavens egen beskedformatering og den nedarvede Terminus-opgavekontekst frem for at antage, at et lignende navn gør alle senere indstillinger eller roller udskiftelige.
Giv ved en sammenligning af lange dokumenter hver kilde en betegnelse, og identificér de afsnit, der er relevante for spørgsmålet. En eksempelopgave er: “Sammenlign disse krav med den foreslåede implementering, identificér hver afvigelse, og citér den passage, der fastslår den. Afslut med en prioriteret rettelsesliste.” Giv ved kode den fejlagtige adfærd, det relevante fragment og det forventede resultat, og bed derefter om en fokuseret ændring med en tydelig forklaring. Kildens opbygning og kriteriet for afslutning hjælper med at styre en opgave med lang kontekst mod et brugbart resultat.
Producentens referenceimplementering indeholder indeksmekanismen til sparse attention, og modelkortet noterer en vigtig implementeringsrettelse: indeksmekanismens RoPE bruger et ikke-interleaved layout, mens latent-attention-modulet forventer et interleaved layout. Det er en detalje i producentens reference, som er relevant for korrekt modeludførelse, ikke en anden brugerprompt eller en ny funktion. Det betyder også, at modelnavnet alene ikke beskriver enhver implementerings håndtering af den eksperimentelle arkitektur.
En fortsat agentopgave skal budgettere kildetekst, samtale, genereret ræsonnering og værktøjsobservationer samlet. Hold de nyttige observationer organiserede, og bed det endelige svar skelne mellem dokumentation, antagelser og foreslåede handlinger. Giv ved et kildeafhængigt faktuelt resultat det autoritative materiale eller et egnet værktøj frem for at stole på bred træningsviden. Outputtet er fortsat en tekst-, kode- eller analysepost, der kan kontrolleres mod opgaven og dens input.
", "aboutText": "DeepSeek V3.2 Exp er DeepSeeks eksperimentelle tekstmodeludgave, bygget på V3.1 Terminus. Dens definerende ændring er DeepSeek Sparse Attention, indført for at undersøge mere effektiv træning og inferens for lange tekstsekvenser. Opgaven er stadig tekstbaseret: skriftlige instruktioner og kontekst giver et tekstsvar, kode eller agentrelateret output. Dette er forskningsudgaven med sparse attention, adskilt fra den endelige V3.2-model og dens senere format til ræsonnering med værktøjer.\n\nDSA bruger en let indeksmekanisme og finkornet tokenselektion, så den primære attention-beregning fokuserer på udvalgt information fra tidligere tokens. DeepSeek afstemte bevidst den eksperimentelle træningskonfiguration med V3.1 Terminus for at isolere arkitekturændringen. V3.2-rapporten bekræfter, at den endelige V3.2 og V3.2 Exp deler denne arkitektur, og beskriver fortsat træning fra Terminus-basen med 128K kontekst. Den offentliggjorte eksperimentelle profil bruger denne indstilling med 128K lang kontekst.\n\nProducentens eksperimentelle modelkort omfatter ræsonnering og agentarbejde, samtidig med at den tidligere models opgaveprofil bevares. Dokumentationen behandler ræsonnering uden værktøjer og agentisk værktøjsbrug som forskellige arbejdsgange. Forbered et klart spørgsmål, relevant kildekontekst og den ønskede slutform. Hvis opgaven bruger et værktøj, leverer applikationen dets definition og returnerer resultatet; modellens foreslåede handling er ikke det samme som en handling, der allerede er udført.\n\nDet endelige V3.2-modelkort introducerer et revideret format til værktøjskald og beskriver udtrykkeligt ræsonnering med værktøjer. Disse opdateringer hører til den endelige udgivelse og bør ikke behandles som hele den eksperimentelle udgaves interaktionsaftale. Bevar for V3.2 Exp udgavens egen beskedformatering og den nedarvede Terminus-opgavekontekst frem for at antage, at et lignende navn gør alle senere indstillinger eller roller udskiftelige.\n\nGiv ved en sammenligning af lange dokumenter hver kilde en betegnelse, og identificér de afsnit, der er relevante for spørgsmålet. En eksempelopgave er: “Sammenlign disse krav med den foreslåede implementering, identificér hver afvigelse, og citér den passage, der fastslår den. Afslut med en prioriteret rettelsesliste.” Giv ved kode den fejlagtige adfærd, det relevante fragment og det forventede resultat, og bed derefter om en fokuseret ændring med en tydelig forklaring. Kildens opbygning og kriteriet for afslutning hjælper med at styre en opgave med lang kontekst mod et brugbart resultat.\n\nProducentens referenceimplementering indeholder indeksmekanismen til sparse attention, og modelkortet noterer en vigtig implementeringsrettelse: indeksmekanismens RoPE bruger et ikke-interleaved layout, mens latent-attention-modulet forventer et interleaved layout. Det er en detalje i producentens reference, som er relevant for korrekt modeludførelse, ikke en anden brugerprompt eller en ny funktion. Det betyder også, at modelnavnet alene ikke beskriver enhver implementerings håndtering af den eksperimentelle arkitektur.\n\nEn fortsat agentopgave skal budgettere kildetekst, samtale, genereret ræsonnering og værktøjsobservationer samlet. Hold de nyttige observationer organiserede, og bed det endelige svar skelne mellem dokumentation, antagelser og foreslåede handlinger. Giv ved et kildeafhængigt faktuelt resultat det autoritative materiale eller et egnet værktøj frem for at stole på bred træningsviden. Outputtet er fortsat en tekst-, kode- eller analysepost, der kan kontrolleres mod opgaven og dens input.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "527926550e79031d7a34c9099626c39a3a968dbd3288261165a63fd913c0f772", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek V3.2 Exp er udgaven med sparse attention bygget på V3.1 Terminus. Den behandler tekst til ræsonnering, kodning og agentopgaver og undersøger mere effektiv attention ved lang kontekst med en producentangivet kontekst på 128K og en særskilt identitet i forhold til den endelige V3.2-udgivelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V3.2 Exp er DeepSeeks eksperimentelle tekstmodeludgave, bygget på V3.1 Terminus. Dens definerende ændring er DeepSeek Sparse Attention, indført for at undersøge mere effektiv træning og inferens for lange tekstsekvenser. Opgaven er stadig tekstbaseret: skriftlige instruktioner og kontekst giver et tekstsvar, kode eller agentrelateret output. Dette er forskningsudgaven med sparse attention, adskilt fra den endelige V3.2-model og dens senere format til ræsonnering med værktøjer.
DSA bruger en let indeksmekanisme og finkornet tokenselektion, så den primære attention-beregning fokuserer på udvalgt information fra tidligere tokens. DeepSeek afstemte bevidst den eksperimentelle træningskonfiguration med V3.1 Terminus for at isolere arkitekturændringen. V3.2-rapporten bekræfter, at den endelige V3.2 og V3.2 Exp deler denne arkitektur, og beskriver fortsat træning fra Terminus-basen med 128K kontekst. Den offentliggjorte eksperimentelle profil bruger denne indstilling med 128K lang kontekst.
Producentens eksperimentelle modelkort omfatter ræsonnering og agentarbejde, samtidig med at den tidligere models opgaveprofil bevares. Dokumentationen behandler ræsonnering uden værktøjer og agentisk værktøjsbrug som forskellige arbejdsgange. Forbered et klart spørgsmål, relevant kildekontekst og den ønskede slutform. Hvis opgaven bruger et værktøj, leverer applikationen dets definition og returnerer resultatet; modellens foreslåede handling er ikke det samme som en handling, der allerede er udført.
Det endelige V3.2-modelkort introducerer et revideret format til værktøjskald og beskriver udtrykkeligt ræsonnering med værktøjer. Disse opdateringer hører til den endelige udgivelse og bør ikke behandles som hele den eksperimentelle udgaves interaktionsaftale. Bevar for V3.2 Exp udgavens egen beskedformatering og den nedarvede Terminus-opgavekontekst frem for at antage, at et lignende navn gør alle senere indstillinger eller roller udskiftelige.
Giv ved en sammenligning af lange dokumenter hver kilde en betegnelse, og identificér de afsnit, der er relevante for spørgsmålet. En eksempelopgave er: “Sammenlign disse krav med den foreslåede implementering, identificér hver afvigelse, og citér den passage, der fastslår den. Afslut med en prioriteret rettelsesliste.” Giv ved kode den fejlagtige adfærd, det relevante fragment og det forventede resultat, og bed derefter om en fokuseret ændring med en tydelig forklaring. Kildens opbygning og kriteriet for afslutning hjælper med at styre en opgave med lang kontekst mod et brugbart resultat.
Producentens referenceimplementering indeholder indeksmekanismen til sparse attention, og modelkortet noterer en vigtig implementeringsrettelse: indeksmekanismens RoPE bruger et ikke-interleaved layout, mens latent-attention-modulet forventer et interleaved layout. Det er en detalje i producentens reference, som er relevant for korrekt modeludførelse, ikke en anden brugerprompt eller en ny funktion. Det betyder også, at modelnavnet alene ikke beskriver enhver implementerings håndtering af den eksperimentelle arkitektur.
En fortsat agentopgave skal budgettere kildetekst, samtale, genereret ræsonnering og værktøjsobservationer samlet. Hold de nyttige observationer organiserede, og bed det endelige svar skelne mellem dokumentation, antagelser og foreslåede handlinger. Giv ved et kildeafhængigt faktuelt resultat det autoritative materiale eller et egnet værktøj frem for at stole på bred træningsviden. Outputtet er fortsat en tekst-, kode- eller analysepost, der kan kontrolleres mod opgaven og dens input.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek-v3.2-exp-thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
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 |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00058 / 1K tokens Output · Outputtokens $0.00086 / 1K tokens Input · Cachelæsning $0 / 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-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-v3.2-exp-thinking
/chat/completions