Source: https://ailoot.ai/models/da/deepseek-v3-2-exp-thinking/
Canonical: https://ailoot.ai/models/da/deepseek-v3-2-exp-thinking/
Language: da

# DeepSeek: DeepSeek V3.2 Exp

[Markdown](https://ailoot.ai/models/da/deepseek-v3-2-exp-thinking/index.md) · [JSON](https://ailoot.ai/models/da/deepseek-v3-2-exp-thinking/facts.json)

## [DeepSeek: DeepSeek V3.2 Exp](https://ailoot.ai/models/da/deepseek-v3-2-exp-thinking/)

DeepSeek 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.

- [**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/da/deepseek-v3-2-exp-thinking/#method-0)

Om modellen

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.

**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `deepseek-v3.2-exp-thinking`

[`deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/da/#m=deepseek-v3.2-exp-thinking&route=Ultra&caller=deepseek-v3.2-exp-thinking&fmt=chat)

DeepSeek /`deepseek-v3.2-exp-thinking`

### Start

DeepSeek 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.

Accepterede input

Tekst

Resultater

Tekst

### Tilgængelig i Ailoot · input og metoder

**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions`

Inputtyper

`text`

Outputtyper

`text`

Outputformat

json eller SSE

| Felt | Type | Krav | Værdier og grænser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrævet | Værdier og grænser deepseek-v3.2-exp-thinking | Standard— |
| Felt`messages` | Type`message[]` | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
| Felt`messages[].role` | Type`string` | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
| Felt`messages[].content` | Type`string` | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
| Felt`stream` | Type`boolean` | KravValgfrit | Værdier og grænser | Standardfalse |

Kombinationer af inputmaterialer

**Tekst** · UTF8-tekst

`messages[].content`

Metodeparametre og livscyklus

| Parameter | Kontrakt |
| --- | --- |
| Parameter`content_type` | Kontraktapplication/json |
| Parameter`required` | Kontraktmodel, messages |
| Parameter`material_types` | Kontrakttext |
| Parameter`messages` | Kontraktbeskedarray med strukturen role/content |
| Parameter`file_material` | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
| Parameter`optional_controls` | Kontraktstream |
| Parameter`control_scope` | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
| Parameter`output_modalities` | Kontrakttext |
| Parameter`hosted_operations` | Kontraktfalse |
| Parameter`multimodal_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.

### Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand

Ikke angivet Når hurtig tilstand er valgt

flex-tilstand

Ikke angivet Når flex-tilstanden er valgt

Maksimal ræsonneringsindsats

Ikke angivet Når default-justeringen anvendes ved maksimal ræsonneringsindsats

#### Ailoot-takster

#### Priser efter konfiguration

| 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 →](https://ailoot.ai/docs/da/billing/reserve/)

### Eksempelanmodninger

#### Ailoot Ultra · OpenAI Chat

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model":"deepseek-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
```

```python
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model="deepseek-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
```

### Hent og gem resultater

#### Ailoot Ultra · OpenAI Chat

json eller SSE

##### Behold alle færdige resultater

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.

##### Hvis det oprindelige svar skal kontrolleres

Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`choices[].index` | Typeinteger |
| Felt`choices[].message.content` | Typestring\|null |
| Felt`choices[].message.tool_calls` | Typetool\_call\[\] |
| Felt`choices[].message.reasoning_content` | Typestring |
| Felt`choices[].message.reasoning_details` | Typeobject\|array |
| Felt`choices[].finish_reason` | Typestring\|null |
| Felt`usage` | Typeobject |

Fejl og næste trin

| Svar | Betingelse | Næste trin |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |

### Aliaser

#### Modelaliaser

**Ailoot Ultra** [`deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/da/#m=deepseek-v3.2-exp-thinking&route=Ultra&caller=deepseek-v3.2-exp-thinking&fmt=chat)

#### Aliaser for metodestier

`/chat/completions`

#### Relaterede kalder-ID’er

[`deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/da/#m=deepseek-v3.2-exp-thinking&route=Ultra&caller=deepseek-v3.2-exp-thinking&fmt=chat)

FAQ · DeepSeek: DeepSeek V3.2 Exp

Hvilke input og resultater er tilgængelige?

`POST /v1/chat/completions` · `deepseek-v3.2-exp-thinking`: `text` → `text`

Hvilke felter bruger anmodningen?

`POST /v1/chat/completions` · `deepseek-v3.2-exp-thinking`: `model`, `messages`, `stream`

Hvilke grænser gælder?

`POST /v1/chat/completions` · `deepseek-v3.2-exp-thinking`: `messages.min_items`: `1`

Tilslut Ailoot til Claude Code, OpenCode, Hermes eller din egen applikation.

## Virksomheden og dens projektportefølje

Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.

## Køb tokens med rabat.

Abonnementsrabat til regelmæssigt arbejde. Rabatkoder giver op til 50% på tokenkøb.

Abonnement

Vælg et abonnement med rabat til dine regelmæssige anmodninger.

Rabatkode på op til 50%

Indtast koden ved købet. Prisen genberegnes efter den aktuelle kampagne.

Udgifter i historikken

Model, tokens og beløb gemmes for hver anmodning.

[Vælg abonnement](https://ailoot.ai/docs/da/billing/subscriptions/) · [Se modelpriser](https://ailoot.ai/models/da/)

## Tilslut API’et til produktet, du sælger.

SaaS, apps og bots efter Ailoots tilbudsvilkår og licensaftale. Anmod om en forhandlerlicens til videresalg.

Kommerciel applikation

Byg generering af tekst, billeder, video og lyd ind i tjenestens betalte funktioner.

Licens til forhandlere

Send projektbeskrivelse og adgangsmodel. Bed om skriftlige vilkår for anvendelse og videresalg.

Dokumenter på websitet

Tilbudsvilkår, licensaftale og politik for behandling af data kan læses før tilslutning.

[Anmod om forhandlerlicens](mailto:support@ailoot.ai) · [Tilbudsvilkår og licensaftale](https://ailoot.ai/legal/offer?lang=da)

## Ailoot · Virksomheden og dens projektportefølje





Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI.





Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.





Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.