DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
", "aboutText": "DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.\n\n### Begynd med materialet og det ønskede resultat\n\nGiv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.\n\nEn nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.\n\n### Vælg direkte chat eller ræsonnering\n\nProducentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.\n\nVælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.\n\n### Tilslut værktøjer gennem en applikationsarbejdsgang\n\nDet native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.\n\nStil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.\n\nProducentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.\n\n### Fordel pladsen mellem samtalen og svaret\n\nModelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.\n\nProducentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.\n\n### Hold udgivelsen og arkitekturen adskilt\n\nUdgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.\n\nDet nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a required-field check\n\nA route rejects only if not payload.get("quantity"). The contract requires quantity to be an integer greater than zero, excluding booleans. Explain why inputs {"quantity": -2} and {"quantity": true} expose a problem. Propose a small Python validation patch and cases for missing, zero, negative, boolean and positive values.A diagnosis, a focused validation patch and five input cases with accept or reject expectations.Check that Python booleans are not accepted as integers and positive whole quantities still pass.deepseek-v4-flash-0731DeepSeek V4 Flash 0731 er den officielle Flash-udgivelse til tekst, kodning og agentforløb. Den tilbyder direkte chat og tænkningstilstande, struktureret output til værktøjskald og en modelkontekst på en million tokens; den daterede udgave omfatter DSpark-modulet til spekulativ afkodning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
POST /v1/messagestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek-v4-flash-0731 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring|content_block[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltsystem | Typestring|content_block[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser Minimum: 1 Grænsen gælder for: den præcise øvre grænse for valgt model/modelkort | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop_sequences | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].name | Typestring | KravValgfrit | Værdier og grænser Gælder når: værktøj angivet | Standard— |
Felttools[].description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].input_schema | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.type | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltthinking.budget_tokens | Typeinteger | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltoutput_config.effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmetadata | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
Feltcache_control | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Tekst · UTF8-tekst
messages[].content eller en blok med type=text
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/messagesAiloot 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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="deepseek-v4-flash-0731",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "deepseek-v4-flash-0731",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='deepseek-v4-flash-0731',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek-v4-flash-0731DeepSeek V4 Flash 0731 er den officielle Flash-udgivelse til tekst, kodning og agentforløb. Den tilbyder direkte chat og tænkningstilstande, struktureret output til værktøjskald og en modelkontekst på en million tokens; den daterede udgave omfatter DSpark-modulet til spekulativ afkodning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
POST /v1/responsestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek-v4-flash-0731 | Standard— |
Feltinput | Typestring|input_item[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltinput[].type | Typestring | KravValgfrit | Værdier og grænser message, reasoning, function_call, function_call_output | Standard— |
Feltinput[].content | Typestring|content_part[] | KravValgfrit | Værdier og grænser | Standard— |
Feltinput[].call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: function_call_output; bevar det faktisk returnerede call_id | Standard— |
Feltinput[].output | Typestring|content_part[] | KravValgfrit | Værdier og grænser Gælder når: function_call_output | Standard— |
Feltmax_output_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typetool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | 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— |
Feltreasoning.effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning.summary | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttext.format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttext.verbosity | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinclude | Typestring[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstore | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprevious_response_id | Typestring | KravValgfrit | Værdier og grænser ID-krav: Kun et faktisk svar-ID fra en understøttet fortsættelse Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_key | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Tekst · UTF8-tekst
inputtekst eller en input_text-del
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, input |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/responsesAiloot 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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="deepseek-v4-flash-0731", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "deepseek-v4-flash-0731", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="deepseek-v4-flash-0731", input="Explain the difference between an observation and a hypothesis 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_response()\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 outputelement og hver indholdsdel, faktisk call_id for funktioner, krypteret ræsonnement og forbrugsoplysninger. Bevar ved streaming den fulde hændelses-/elementidentitet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltstatus | Typestring |
Feltoutput[] | Typemessage|reasoning|function_call|other item |
Feltoutput[].content[] | Typecontent part |
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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek-v4-flash-0731DeepSeek V4 Flash 0731 er den officielle Flash-udgivelse til tekst, kodning og agentforløb. Den tilbyder direkte chat og tænkningstilstande, struktureret output til værktøjskald og en modelkontekst på en million tokens; den daterede udgave omfatter DSpark-modulet til spekulativ afkodning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek-v4-flash-0731 | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, messages |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Parametertext_file_material | Kontraktfaktisk UTF-8-indhold indsat som tekst; fil-ID’er/URLs kræver særskilt præcis understøttelse |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/chat/completionsAiloot 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 →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationOpenAI Chat · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Grundtakster pr. token | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnthropic Messages · Trin 1 efter anmodningens længde | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="deepseek-v4-flash-0731",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "deepseek-v4-flash-0731",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-v4-flash-0731',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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek/deepseek-v4-flash-0731DeepSeek V4 Flash 0731 er den officielle Flash-udgivelse til tekst, kodning og agentforløb. Den tilbyder direkte chat og tænkningstilstande, struktureret output til værktøjskald og en modelkontekst på en million tokens; den daterede udgave omfatter DSpark-modulet til spekulativ afkodning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-v4-flash-0731 | 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-v4-flash-0731", "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-0731',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-0731',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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek/deepseek-v4-flash-0731DeepSeek V4 Flash 0731 er den officielle Flash-udgivelse til tekst, kodning og agentforløb. Den tilbyder direkte chat og tænkningstilstande, struktureret output til værktøjskald og en modelkontekst på en million tokens; den daterede udgave omfatter DSpark-modulet til spekulativ afkodning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-v4-flash-0731 | 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "deepseek/deepseek-v4-flash-0731",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-0731', '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-0731', '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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
~deepseek/deepseek-v4-flash-latestDeepSeek V4 Flash 0731 er den officielle Flash-udgivelse til tekst, kodning og agentforløb. Den tilbyder direkte chat og tænkningstilstande, struktureret output til værktøjskald og en modelkontekst på en million tokens; den daterede udgave omfatter DSpark-modulet til spekulativ afkodning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~deepseek/deepseek-v4-flash-latest | 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~deepseek/deepseek-v4-flash-latest", "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-latest',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-latest',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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
~deepseek/deepseek-v4-flash-latestDeepSeek V4 Flash 0731 er den officielle Flash-udgivelse til tekst, kodning og agentforløb. Den tilbyder direkte chat og tænkningstilstande, struktureret output til værktøjskald og en modelkontekst på en million tokens; den daterede udgave omfatter DSpark-modulet til spekulativ afkodning.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek V4 Flash 0731 er den officielle udgivelse af Flash-grenen og erstatter dens previewudgave. Det praktiske fokus omfatter kodning og agentarbejde: at fortolke et leveret repository, foreslå en ændring, bruge observationer fra værktøjer og returnere et resultat, som den kaldende part kan kontrollere. Bevar 0731-udgaven sammen med et gemt resultat, når det sammenlignes med Flash Preview, Pro 0813 eller V4.1 Flash.
Giv den faktiske opgave, de relevante filer eller dokumentpassager, begrænsningerne og det forventede resultat. Medtag ved en repositoryændring den berørte kode, den observerede adfærd og den kommando eller anmodning, der genskaber problemet. Angiv, om leverancen skal være en forklaring, et forslag til en patch, en liste over fund eller en struktureret plan.
En nyttig fejlfindingsopgave er: “Brug den leverede rutehåndtering, valideringsskemaet og den fejlslagne anmodning. Forklar, hvor input afviger fra skemaet, foreslå den mindste ændring, og identificér den eksisterende kontrol, der kan skelne et rettet resultat.” Angiv ved en dokumentopgave de leverede afsnit, og bed om en tabel over krav, dokumentation og uafklarede spørgsmål. Dette er eksempler på opgavebeskrivelser; vedlæg det virkelige kildemateriale til anmodningen.
Producentens format understøtter direkte chat og ræsonnering. Direkte chat returnerer svarindholdet direkte. Ræsonnering adskiller modellens ræsonneringsfelt fra dens endelige svar. I denne tilstand er de dokumenterede indsatsniveauer low, high og max med low som standard. Udgaven bruger disse navngivne niveauer frem for V4.1 Flashs skala med heltal for indsatsen.
Vælg tilstanden ud fra arbejdet. En kort tekstændring kan angive de fakta, som skal bevares, og tonen i erstatningen. En kompleks repositoryopgave kan definere undersøgelsestrin, relevant dokumentation og en kort slutrapport. Hold det ønskede slutresultat tydeligt, også når der bruges større ræsonneringsindsats: eksempelvis en foreslået diff med en kort forklaring og de kommandoer, der kræves for at undersøge den.
Det native format understøtter beskeder over flere ture og værktøjsdefinitioner med navngivne parametre og skemaer. Modellen kan returnere et ønsket værktøjskald; applikationen udfører handlingen og leverer den resulterende observation i næste tur. Hold værktøjsresultater forbundet med deres tilsvarende kald, og bevar rækkefølgen, når flere observationer returneres.
Stil ved en arbejdsgang til filundersøgelse den faktiske fillæsefunktion til rådighed, beskriv dens inputsti, og returnér det observerede indhold. Bed modellen basere sit næste forslag på dette indhold. Giv ved en dataarbejdsgang forespørgselsfunktionen, og returnér de faktiske poster; bed om en beregning eller et resumé ud fra disse poster. Et returneret kald og en udført handling er separate trin på vej mod det ønskede resultat.
Producentens encoder bevarer ræsonneringskonteksten gennem samtaler med værktøjer. I almindelig chat fjerner den normalt ræsonnementer fra tidligere ture før den seneste brugerbesked. Brug de dokumenterede beskedfelter og samtalehåndteringen, når en arbejdsgang med flere trin skal fastholdes. Referenceparseren forventer korrekt dannet output, så kontrollér et fortolket kalds navn og parametre, før det udføres, og gem et ugyldigt resultat til undersøgelse.
Modelkonfigurationen for denne daterede udgave angiver 1.048.576 sekvenspositioner. Medregn det leverede materiale, samtalehistorik, værktøjsdefinitioner, returnerede observationer og det genererede svar, når sekvensen forberedes. Giv modellen et nyttigt mål for svaret, eksempelvis en lille patch, en dokumentationstabel eller en nummereret plan, frem for at fylde den tilgængelige plads med uvedkommende filer.
Producentens lokale opskrift anbefaler temperature 1.0 med top_p 0.95 til agentarbejde og 1.0 i andre tilfælde. Ved ræsonneringsindsatserne high og max anbefales en maksimal outputlængde på 384K tokens. Dette er offentliggjorte opskriftsindstillinger og en anbefaling til genereringsbudgettet; sekvensbudgettet skal stadig kunne rumme resten af anmodningen.
Udgaven 0731 bruger Flash DSpark-strukturen, herunder et tilknyttet modul til spekulativ afkodning. Den underliggende Flash-kerne er en mixture-of-experts-model, der beskrives med i alt 284 milliarder parametre og 13 milliarder aktiverede parametre pr. token. Hold disse tal for kernen adskilt fra eventuelle vægte i ekstra moduler. Den præcise konfiguration for udgaven har 43 lag, 256 routede eksperter, én fælles ekspert og seks udvalgte eksperter pr. token.
Det nyttige output er fortsat svaret, den foreslåede kode, det strukturerede fund eller det næste trin i arbejdsgangen, som den kaldende part bad om. Kontrollér en kodeændring mod de leverede filer og den observerede fejl. Kontrollér en dokumentkonklusion mod den citerede passage eller den returnerede post. Gem modeleditionen, opgavebeskrivelsen og de relevante observationer med resultatet, så en senere sammenligning bruger samme problem og dokumentation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~deepseek/deepseek-v4-flash-latest | 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 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 $0.00088 / 1K tokens Output · Outputtokens $0.00264 / 1K tokens Input · Cachelæsning $0.000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "~deepseek/deepseek-v4-flash-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-latest', '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-latest', '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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Brug metodestierne vist ovenfor.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
Teknisk eksempel på engelsk
Repair a required-field check\n\nA route rejects only if not payload.get("quantity"). The contract requires quantity to be an integer greater than zero, excluding booleans. Explain why inputs {"quantity": -2} and {"quantity": true} expose a problem. Propose a small Python validation patch and cases for missing, zero, negative, boolean and positive values.A diagnosis, a focused validation patch and five input cases with accept or reject expectations.Check that Python booleans are not accepted as integers and positive whole quantities still pass.